ماهنامه الكترونیكی تازه‌های بیمه ایران و جهان شماره 16
هر ساله، مبالغ قابل توجهی بابت تقلب و خسارت ساختگی
توسط شرک تهای بیمه پرداخت م یشود، به طور یکه در
برخی رشت ههای بیم های مانند اتومبیل، این موضوع م یتواند
برای شرک تهای بیمه بسیار زیا نده بوده و موجب تغییر رویکرد
کسب و کار شرک تها به رشت ههایی با امکان تقلب کمتر شود.
در عی نحال، تقلب و تکرار آن سبب افزایش ح قبیمه در
رشت ههای مختلف شده و فشار به بیم هشدگان درستکار موجب
گردد. از ای نرو، سالانه در جهان، سرمای هگذاری زیادی بر روی
مطالعه رو شها و ابزارهای کشف و مقابله با تقلب انجام م یشود.
از گذشته، کشف تقلب بیشتر مبتنی ارزیابی و شناسایی موارد
مشابه در سوابق پرداخت خسارت یک شرکت بیمه بوده است.
اما نتایج مطالعات و بررس یها نشان م یدهند، اعتماد به تجرب هی
ارزیابان خسارت و نیز اطلاعات موجود، برای کسب نتایج
مطلوب کفایت نم یکند؛ چرا که گاه برای کشف و ثبت یک
روش جدید تقلب باید هزاران پرونده خسارت بادقت بررسی،
تحلیل و طبق هبندی شود. در این میان، برخی رو شهای مبتنی بر
محاسبات رایان های نیز اگرچه نتایج خوبی داشت هاند، اما به سبب
هوشمند نبودن و زمانبر بودن، از کارایی لازم برای کشف موارد
جدید تقلب برخوردار نیستند.
در مقابل، رویکردهای جدید که مبتنی بر روش یادگیری
ماشینی ) Machine Learning ( با استفاده از ف نآوری
هوش مصنوعی ) AI ( و علم داده است، بسیار کارآمد به نظر
م یرسند. یادگیری ماشینی از هوش مصنوعی برای توسع هی
سامان ههایی که توان یادگیری و بهبود از طریق تجربه، بدون
نیاز به برنام هنویسی مجدد را دارند، بهره م یگیرد. بدین منظور،
این سامان هها، مجموعه داد ههای عظیم معینی را با بهر هگیری از
داد هکاوی و هوش مصنوعی ارزیابی نموده و تحلی لهای پیچیده
را آسان م یسازد. یکی از مشهورترین اشکال یادگیری ماشینی
که در صنعت بیمه جهان مورد استفاده قرار م یگیرد، شناسایی
عمیق موارد غیرعادی 1 است. در این روش، پروند ههای خسارت
مشتریان تحلیل و یک الگو برای پرونده خسارت معمولی ترسیم شده و سپس، این الگو
برای مجموع های
از داد ههای بسیار
گسترده به کار گرفته
م یشود، تا موارد
متفاوت از الگو انتخاب و
مورد ارزیابی دقیق قرار گیرند.
علاوه بر این، برخی رو شهای یادگیری ماشینی مانند تجزیه و
تحلیل پیشگویانه نیز م یتواند علاوه بر شناسایی پرونده خسارت
معمول از غیرمعمول، یک نشان هگر برای موارد متقلبانه تعریف کند و
پروند ههای تقلب جدید را شناسایی و اعلام نماید. بنابراین، رو شهای
نوین، اف قها و امیدهای تاز های را برای جلوگیری یا کاهش میلیاردها
زیان شرک تهای بیمه ناشی از تقلب را نوید م یدهند.
در این شماره از ماهنامه تاز ههای بیمه ایران و جهان، سعی شده
تا به مباحثی علمی و عملیاتی در حوزه ف نآور یهای مورد
استفاده در صنعت بیمه جهان پرداخته شود. در شماره حاضر،
در بخش مطالب اصلی به موضوعاتی همچون انتقال ریسک
تا پیشگیری از ریسک، 13 ف نآور ی کاربردی در بیمه، چکیده
مجله اخیر سیگمای سوئی سری در حوزه بازنشستگی و خسارت
کارکنان دورکار پرداخته م یشود. در بخش بین شهای تازه، به
کاهش اعتبار بیم هگران به واسطه هم هگیری و افزایش نگرانی
صندو قهای بازنشستگی از رفتار بازنشستگان تخصیص داده
شده است. در بخ ش شخصیت برجسته علمی، به معرفی استاد
دانشگاه النوی جنوبی، پروفسور علی کوتان، در بخش یک
معرفی تازه ، جایز ههای افما- اکسنچر، در بخش تاز ههای نشر،
دو کتاب در حوزه تاریخچه شفاهی بیمه رشت ههای حرف های و
چش مانداز قانونی و نظارتی اینشورتک در بخش اخبار، دو عنوان
مطلب ارائه م یشود. بخش یک مفهوم تازه، ای نبار به مفهوم
بهادارسازی بیم ههای زندگی 2 م یپردازد.
در این شماره خواهید خواند
مطالب اصلی
۱- از انتقال ریسک تا پیشگیری از ریسک
2- فن‌آوری‌‌های بیمه: 13 ایده برای تغییر شرکت‌های بیمه
3- انگیزه بازنشستگی باثبات در جهانی سالخورده
4- تاملی بر جبران خسارت کارکنان دورکار
اخبار تازه
1- کاهش اعتبار بیمه‌گران از زمان همه‌گیری کووید-19
2- افزایش نگرانی‌‌ها از رفتار بازنشستگان مبنی بر برداشت پول خود از حساب‌های مستمری کسور معین
بینش‌های تازه
1- کاهش توقف کسب‌وکار به وسیله شریک بازیابی مناسب
2- از دورکاری تا تنوع، برابری و فراگیرسازی: بیمه چطور باید با «روال جدید» سازگار شود
یک معرفی تازه
جایزه‌های نوآوری بیمه افما و اکسنچر
یک مفهوم تازه
بهادارسازی بیمه زندگی چیست؟
شخصیت برجسته علمی
علی م. کوتان
تازه‌های نشر
منبع : پژوهشنامه بیمه
