Etični in regulativni vidiki uporabe GAN-ov pri zaznavanju prevar

Uvod v kompleksnost etike in regulacije pri zaznavanju prevar z GAN-i

Moje dvajsetletne izkušnje v zavarovalništvu so me naučile, da je vsak napredek v tehnologiji, še posebej tisti, ki vpliva na ključne procese, kot je zaznavanje prevar, dvorezen meč. Generativne adversarne mreže (GAN) kot napredna oblika umetne inteligence nudijo izjemne možnosti za izboljšanje učinkovitosti in natančnosti pri odkrivanju zavarovalniških goljufij. Lahko generirajo sintetične podatke za treniranje robustnih modelov in identificirajo anomalije v realnem času, kar pripomore k zmanjšanju izplačil iz naslova lažnih zahtevkov in s tem k stabilnejšemu zavarovalniškemu trgu. Vendar pa s temi možnostmi prihajajo tudi resni etični in regulativni izzivi, ki jih ne smemo spregledati.

Namen te strokovne objave je podroben pregled teh izzivov in predstavitev strategij, ki zavarovalnicam omogočajo odgovorno in skladno implementacijo GAN-ov. Poudarek bo na zagotavljanju pravičnosti modelov, transparentnosti odločanja in spoštovanju pravic posameznikov, kar so temeljni stebri zaupanja v digitalizirano zavarovalništvo. Kot strokovnjakinja, ki stoji za blagovno znamko petka-zavarovanja.si, verjamem, da le celovit pristop, ki združuje tehnično inovativnost z etično odgovornostjo, prinaša dolgoročno vrednost.

Pristranskost (bias) modela: Kritični izziv pri uporabi GAN-ov

Pristranskost podatkov je ena največjih etičnih pasti pri implementaciji katerega koli modela strojnega učenja, vključno z GAN-i. Ko so GAN-i trenirani na zgodovinskih podatkih, ki odražajo obstoječe družbene, ekonomske ali demografske pristranskosti, bodo ti modeli te pristranskosti internalizirali in jih potencialno celo stopnjevali. Na primer, če so bile v preteklosti določene demografske skupine pogosteje obravnavane kot rizične ali so bile podvržene bolj intenzivnim preiskavam zaradi prevar, bo model na podlagi teh podatkov to obnašanje nadaljeval in s tem ustvarjal diskriminatorne izide. Izračuni v zavarovalništvu so pogosto kompleksni in temeljijo na statističnih vzorcih, zato je izredno pomembno, da ti vzorci niso obarvani z nepoštenostjo. Študije v industriji so pokazale, da lahko nepravilno zasnovani modeli povečajo lažno pozitivne primere za določene skupine za več kot 30 % v primerjavi z drugimi skupinami.

Merjenje in razumevanje teh pristranskosti je ključnega pomena. Obstajajo različne metrike pravičnosti (fairness metrics), kot so statistična pariteta (statistical parity), enake možnosti (equal opportunity) in enaki izidi (equalized odds). Statistična pariteta preverja, ali je verjetnost pozitivne klasifikacije (npr. 'označen kot potencialna prevara') enaka med različnimi demografskimi skupinami. Če je P(Y=1|A=a) ≠ P(Y=1|A=b), kjer je A zaščiten atribut (npr. spol, rasa) in Y izhod modela, je pristranskost prisotna. Enake možnosti se osredotočajo na lažno negativne stopnje za privilegirane in neprivilegirane skupine. Z uporabo teh kvantitativnih meritev lahko zavarovalnice identificirajo in ocenijo stopnjo pristranskosti v svojih modelih, preden ti vplivajo na realne odločitve. Vključitev teh meritev v fazo razvoja in validacije modela je nujna, saj nam omogoča, da že v zgodnji fazi odkrijemo in odpravimo morebitne nepoštenosti, ki bi lahko vodile do diskriminacije posameznikov ali skupin zavarovancev.

Regulativni okvir: GDPR in prihajajoči Akt o umetni inteligenci (AI Act)

Evropska unija je v ospredju globalnih prizadevanj za regulacijo umetne inteligence, kar je za zavarovalništvo izjemnega pomena. Splošna uredba o varstvu podatkov (GDPR) že sedaj postavlja stroge zahteve glede obdelave osebnih podatkov, vključno s tistimi, ki jih uporabljajo GAN-i. Člen 22 GDPR posebej obravnava avtomatizirano individualno odločanje, vključno z oblikovanjem profilov, in določa, da posameznik ne sme biti podvržen odločitvi, ki temelji izključno na avtomatizirani obdelavi in ima zanj pravne ali podobno pomembne posledice, razen v določenih izjemah. Pri zaznavanju prevar to pomeni, da mora biti vsaka avtomatizirana odločitev, ki bi lahko vodila do zavrnitve zahtevka ali nadaljnje preiskave, podprta z možnostjo človeškega pregleda in pojasnila. Skladnost z GDPR zahteva transparentnost glede zbiranja, obdelave in namena uporabe podatkov, kar vključuje tudi podatke, generirane ali analizirane z GAN-i.

Poleg GDPR pa Evropska unija razvija tudi revolucionarni Akt o umetni inteligenci (AI Act), ki bo prinesel še bolj specifične in obvezujoče predpise za sisteme umetne inteligence. AI Act razvršča sisteme UI glede na tveganje, pri čemer so sistemi za zaznavanje prevar v zavarovalništvu zaradi potencialnega vpliva na pravice in interese posameznikov uvrščeni med visokotvegane. To pomeni, da bodo morali razvijalci in uporabniki takšnih sistemov izpolnjevati stroge zahteve glede upravljanja tveganj, nadzora nad človekom, robustnosti, natančnosti, varnosti, kibernetske varnosti, varstva podatkov in transparentnosti. Zavarovalnice bodo morale vzpostaviti robustne sisteme za ocenjevanje skladnosti pred dajanjem sistema UI v promet in med njegovo uporabo. Neupoštevanje teh določb lahko prinese visoke kazni, ki so lahko v višini do 6 % letnega globalnega prometa podjetja ali do 30 milijonov EUR, kar poudarja nujnost proaktivnega pristopa k skladnosti.

Transparentnost modela (razložljiva umetna inteligenca – XAI): Od črne skrinjice do razumljivosti

Eden od ključnih etičnih in regulativnih izzivov pri uporabi kompleksnih modelov, kot so GAN-i, je njihova pogosta narava 'črne skrinjice'. Tehnološka kompleksnost modela pogosto otežuje razumevanje, zakaj je bila sprejeta določena odločitev, kar je še posebej problematično v kontekstu zaznavanja prevar. Koncept 'razložljive umetne inteligence' (Explainable AI – XAI) si prizadeva odpraviti to nepreglednost. XAI je ključen za pridobivanje zaupanja vlagateljev, zavarovancev in regulatorjev, saj omogoča razumevanje razlogov za avtomatizirane odločitve. V primeru zaznavanja prevar je nujno, da lahko zavarovalnica pojasni, zakaj je bil določen zahtevek označen kot sumljiv ali zakaj je bil posameznik uvrščen v določeno kategorijo tveganja. Skladno z GDPR imajo posamezniki pravico do smiselne informacije o logiki, ki stoji za avtomatizirano odločitvijo, kar zahteva implementacijo XAI metodologij.

Metode XAI vključujejo tehnike, kot so SHAP (SHapley Additive exPlanations) in LIME (Local Interpretable Model-agnostic Explanations), ki lahko pomagajo razložiti prispevke posameznih vhodnih značilnosti k napovedi modela. SHAP vrednosti, ki temeljijo na teoriji Shapleyjevih vrednosti iz teorije iger, kvantificirajo vpliv posamezne značilnosti na odločitev modela in zagotavljajo globalno ter lokalno razložljivost. LIME pa ustvari lokalni, razumljivi model okoli posamezne napovedi, kar omogoča interpretacijo za specifičen primer. Te metode so neprecenljive pri pojasnjevanju kompleksnih odločitev, ki jih sprejemajo GAN-i. Implementacija XAI pa ni le regulativna obveza, temveč tudi strateška prednost, saj omogoča interno optimizacijo modelov, prepoznavanje napak in izboljšanje njihove učinkovitosti ter zmanjšanje lažno pozitivnih in lažno negativnih izidov, kar ima neposreden vpliv na finančne rezultate zavarovalnice. Na primer, zmanjšanje lažno pozitivnih primerov za 5 % lahko prihrani pomembna sredstva, ki bi bila sicer porabljena za nepotrebne preiskave.

Metode za merjenje in zmanjšanje pristranskosti v podatkih in algoritmih

Kot sem že poudarila, je proaktivno upravljanje pristranskosti ključno za etično in učinkovito uporabo GAN-ov. Postopki za merjenje in zmanjšanje pristranskosti se začnejo že v fazi zbiranja in predobdelave podatkov. Eno od pomembnih načel je uporaba reprezentativnih in uravnoteženih učnih množic podatkov. To lahko dosežemo z nadvzajemčenjem (oversamplingom) manjšinskih skupin ali podvzajemčenjem (undersamplingom) večinskih skupin, vendar je pri tem potrebna previdnost, da ne vnesemo novih artefaktov. Tehnike, kot je de-bias avgmentacija podatkov, lahko pomagajo pri ustvarjanju sintetičnih podatkov, ki so etično uravnoteženi. Na primer, če opazimo statistično pomembno razliko (p-vrednost < 0,05) v stopnji prevar med spoloma, ki ni utemeljena z objektivnimi dejavniki, lahko prilagodimo generiranje sintetičnih podatkov, da se ta razlika zmanjša, in tako preprečimo, da bi model razvil diskriminatorno politiko.

Poleg obdelave podatkov obstajajo tudi algoritmične tehnike za zmanjšanje pristranskosti. To vključuje uporabo 'de-biasing' algoritmov med učenjem modela ali po njem. Primer so adversarial de-biasing metode, kjer se poleg glavne naloge modela (zaznavanje prevar) trenira še nasprotnikov model, ki poskuša napovedati zaščitene atribute na podlagi odločitve glavnega modela. Cilj je trenirati glavni model tako, da onemogoči nasprotniku uspešno napovedovanje zaščitenih atributov, kar pomeni, da glavna napoved ni odvisna od teh atributov. Druga možnost so metode po obdelavi, kot je 'reject option classification', ki omogoča, da model odloži odločitev za primere, kjer je prisotna velika negotovost ali tveganje za pristranskost, in jih preda človeškemu strokovnjaku. S tem dosežemo optimalno ravnotežje med avtomatizacijo in etičnostjo, kar je v zavarovalništvu nujno. Moj cilj je vedno zagotoviti, da so rešitve, ki jih svetujem, ne le učinkovite, ampak tudi pravične in etično neoporečne.

Ocenjevanje tveganj in strategije za zmanjšanje negativnih družbenih vplivov

Sistemsko ocenjevanje tveganj je temelj za odgovorno implementacijo GAN-ov. Zavarovalnice morajo vzpostaviti celovit okvir za upravljanje tveganj, ki vključuje etične, regulativne, operativne in ugledne vidike. To pomeni, da je treba identificirati potencialne negativne družbene vplive, kot so diskriminacija, izključitev določenih skupin iz zavarovanj ali neupravičeno povišanje premij. Primer potencialnega tveganja je, da bi algoritem na podlagi nekoreliranih, a povezanih podatkov (npr. poštna številka) 'sklepal' o določenih demografskih značilnostih in s tem nehote vnašal pristranskost, ki bi lahko vodila do neupravičenega zavračanja zahtevkov. Takšna posredna diskriminacija je pogosto težje zaznavna, a enako škodljiva. Implementacija ocene vpliva na varstvo podatkov (DPIA), kot jo določa GDPR, je ključni korak k zgodnjemu prepoznavanju in obvladovanju teh tveganj.

Strategije za zmanjšanje negativnih družbenih vplivov vključujejo večstopenjski pristop. Prva stopnja je redno testiranje in spremljanje modelov za pristranskost in natančnost. To pomeni kontinuirano uporabo metrik pravičnosti in revizijo (auditiranje) odločitev modela s strani neodvisnih strokovnjakov. Druga stopnja je vzpostavitev mehanizmov za pritožbe in pregled odločitev, kjer imajo posamezniki možnost izpodbijati avtomatizirane odločitve. Tretja vključuje etično usposabljanje osebja, ki dela z AI sistemi, da razume potencialne pasti in etične implikacije. Nenazadnje, vključevanje etičnih kodeksov in smernic v razvojne procese umetne inteligence je bistveno. Zavarovalnice bi morale razviti interne smernice za odgovorno umetno inteligenco, ki zajemajo celoten življenjski cikel AI sistemov, od zasnove do implementacije in umika. Le tako lahko zagotovimo, da tehnologija služi človeku in ne obratno.

Kaj je krito in kaj ni krito: Pojasnjevalni aspekti AI modelov v nezgodnem zavarovanju

Ko govorimo o zaznavanju prevar z GAN-i v nezgodnem zavarovanju, je izjemno pomembno razumeti, kako se odločitve modela prenašajo na dejanske zavarovalne police in kritja. Modeli umetne inteligence lahko pomagajo pri hitrejšem in natančnejšem vrednotenju škodnih dogodkov, kar je v korist tako zavarovancev kot zavarovalnice. Vendar pa moramo jasno ločiti med splošnimi pogoji zavarovanja in odločitvami, ki jih sprejema algoritem na podlagi podatkov. Zavarovalni pogoji jasno določajo, kaj je krito in kaj ne. AI model le pomaga pri interpretaciji teh pogojev in identifikaciji morebitnih odstopanj ali sumljivih vzorcev. Nikoli pa model sam po sebi ne spreminja pogojev. Zato je razumevanje, kako algoritem vpliva na obravnavo zahtevkov, ključno.

Splošno gledano, v nezgodnem zavarovanju je krito: poškodba telesa zaradi nenadnega in od zunaj delujočega vzroka (npr. zlom kosti pri padcu, opekline, poškodbe pri prometni nesreči). Kritja običajno zajemajo stroške zdravljenja, bolniško odsotnost (delno ali polno), trajno invalidnost, smrt in v nekaterih primerih tudi stroške prevoza in rehabilitacije. NI krito: bolezni (razen če so neposredna posledica nezgode), duševne motnje, poškodbe, nastale zaradi samopoškodovanja, poškodbe zaradi vojne, terorizma ali delovanja v oboroženih silah, poškodbe, nastale pod vplivom alkohola ali mamil, ali poškodbe, nastale pri opravljanju nevarnih športov, če niso posebej dogovorjeni. Če AI model zazna sum na podlagi nejasnih okoliščin, na primer, da se opis škodnega dogodka ne ujema z običajnimi vzorci za določeno vrsto poškodbe ali če so prisotne anomalije v zdravstveni dokumentaciji, bo to sprožilo nadaljnjo preiskavo. Ta preiskava pa ni avtomatska zavrnitev zahtevka, ampak potrditev dejstev, ki so podlaga za odločitev v skladu z zavarovalnimi pogoji.

Praktični primer: Zaznavanje sumljivega zahtevka in etični odziv

Dovolite mi, da ponazorim, kako se v praksi soočamo z etičnimi in regulativnimi izzivi pri uporabi GAN-ov. Predstavljajte si zavarovanca, gospoda Novaka, ki je pred kratkim utrpel poškodbo kolena med pohodom. Prijavil je zahtevek za izplačilo iz naslova nezgodnega zavarovanja, priložil pa je tudi zdravniško poročilo in račun za fizioterapijo. Naš model, treniran z GAN-i, ki identificira vzorce prevar v zahtevkih, je ta zahtevek označil kot 'srednje tveganje' za morebitno prevaro. Zakaj? Model je zaznal specifičen vzorec v besedilu zdravniškega poročila in časovni uskladitvi z določenimi preteklimi dogodki, ki so bili v naši bazi podatkov povezani s povišanim tveganjem za prevare, čeprav gospod Novak ni imel predhodnih sumljivih zahtevkov. SHAP analize so pokazale, da je ključen faktor za to napoved bila specifična frazeologija v opisu poškodbe in frekvenca določenih medicinskih posegov, ki so odstopali od povprečja za takšno vrsto poškodbe v njegovi starostni skupini za približno 15 %.

V skladu z našimi etičnimi smernicami in zahtevami GDPR ter prihajajočega Akta o umetni inteligenci (AI Act) takšna napoved modela ne sme voditi do avtomatske zavrnitve. Namesto tega je zahtevek avtomatsko preusmerjen na človeškega strokovnjaka – zavarovalnega ocenjevalca škod – za podrobnejši pregled. Ocenjevalec je pregledal dokumentacijo, primerjal jo je s povprečnimi trajanji in postopki zdravljenja za tovrstne poškodbe (npr. povprečno trajanje bolniške za zlom pogačice je 6–8 tednov), in opravil telefonski pogovor z gospodom Novakom za pojasnitev okoliščin. Med pogovorom je gospod Novak podrobno opisal dogodek in pojasnil nekatere podrobnosti, ki so pojasnile odstopanje od tipičnih vzorcev. Izkazalo se je, da je bil njegov zdravnik zelo podroben pri opisu in da je bila fizioterapija intenzivnejša zaradi njegove želje po hitri vrnitvi k rekreaciji. Po pregledu vseh informacij je ocenjevalec ugotovil, da ni bilo dejanskih dokazov o prevari. Zahtevek je bil odobren v celoti. Ta primer kaže, kako je etični nadzor in človeška presoja ključna pri obvladovanju tveganj in zagotavljanju pravičnosti, kljub naprednim zmožnostim umetne inteligence. Algoritem je opravil svoje delo pri identificiranju anomalij, človek pa je zagotovil kontekst in pravilno interpretacijo, s čimer smo preprečili morebitno neupravičeno diskriminacijo in ohranili zaupanje zavarovanca.

Vpliv GAN-ov na zavarovalniško industrijo: Izzivi in priložnosti

Uvedba GAN-ov in drugih naprednih AI modelov ima daljnosežne posledice za zavarovalniško industrijo. Na eni strani ponujajo izjemne priložnosti za optimizacijo procesov, zmanjšanje stroškov zaradi prevar in izboljšanje ponudbe produktov. Zmožnost generiranja sintetičnih podatkov omogoča testiranje novih modelov in produktov v varnem okolju, brez tveganja za uhajanje občutljivih podatkov. Prav tako lahko GAN-i pomagajo pri odkrivanju prevar v fazi prijavljanja škode, kar lahko zmanjša škodo za zavarovalnice za povprečno 3–5 % celotnih izplačil, kar je letno v milijonskih zneskih. Omogočajo tudi bolj natančno segmentacijo strank in prilagajanje premij na podlagi bolj sofisticiranih analiz tveganj, kar lahko privede do bolj pravičnih cen za vse zavarovance. S tem se povečuje konkurenčnost na trgu in izboljšuje zadovoljstvo strank.

Na drugi strani pa ti modeli prinašajo tudi izzive. Potreba po visokokvalificiranem kadru, ki je sposoben razvijati, implementirati in nadzirati te kompleksne sisteme, je velika. Nadalje, stalno spremljanje in prilagajanje modelov za ohranjanje skladnosti z etičnimi in regulativnimi smernicami zahteva znatne investicije v čas in vire. Uporaba GAN-ov s seboj prinaša tudi tveganje 'modelne zastarelosti' (model drift), kjer se uspešnost modela s časom zmanjšuje zaradi spreminjanja vzorcev prevar. Zato je nujna vzpostavitev procesov za kontinuirano preverjanje in ponovno treniranje (retrain) modelov. Le zavarovalnice, ki bodo sposobne učinkovito obvladati tako tehnične kot etične izzive, bodo lahko izkoristile polni potencial umetne inteligence in si zagotovile vodilni položaj na trgu.

Prihodnost zavarovalništva in vloga etične umetne inteligence

Zavarovalništvo stoji na pragu preobrazbe, kjer bo umetna inteligenca, vključno z GAN-i, igrala osrednjo vlogo. Moja vizija prihodnosti je zavarovalništvo, ki je ne le učinkovito in profitabilno, ampak tudi pravično, transparentno in etično. To bo zahtevalo nenehno učenje, prilagajanje in dialog med vsemi deležniki: razvijalci umetne inteligence, zavarovalnicami, regulatorji in seveda zavarovanci. Vlaganje v etično umetno inteligenco ni le strošek, temveč strateška naložba v zaupanje in dolgoročno stabilnost industrije. Podatki kažejo, da podjetja, ki se proaktivno lotevajo etičnih vprašanj UI, beležijo višjo stopnjo zaupanja strank in boljšo reputacijo, kar se dolgoročno odraža tudi v finančnih rezultatih. Raziskave s strani Deloitte in Accenture na področju financ in zavarovalništva kažejo, da podjetja z visoko stopnjo etične integracije v UI beležijo povprečno 8–10 % višjo rast prihodkov v primerjavi s konkurenti, ki etiko UI zanemarjajo.

Kot vodilna slovenska zavarovalniška strokovnjakinja si prizadevam, da petka-zavarovanja.si ne bo le ponudnik vrhunskih zavarovalnih rešitev, temveč tudi vzornik na področju odgovorne in etične uporabe tehnologije. S skupnim delom in zavedanjem o pomembnosti etičnih in regulativnih okvirov bomo lahko ustvarili prihodnost, kjer bo umetna inteligenca resnično služila dobremu in izboljšala življenja vseh. Vabim vas, da se mi pridružite na tej poti. Verjamem, da skupaj lahko zgradimo sistem, ki bo odporen proti prevaram, hkrati pa bo varoval pravice in zaupanje vsakega posameznika.

Pogosta vprašanja

Kaj so GAN-i in kako se uporabljajo pri zaznavanju prevar?

Generativne adversarne mreže (GAN) so vrsta umetne inteligence, sestavljene iz dveh mrež: generatorja in diskriminatorja. Generator ustvarja sintetične podatke, diskriminator pa ocenjuje njihovo verodostojnost. Pri zaznavanju prevar se uporabljajo za generiranje podatkov o prevarah za treniranje modelov ali za identifikacijo anomalij v realnih zahtevkih.

Kaj pomeni 'pristranskost' (bias) modela v UI?

Pristranskost modela pomeni, da algoritem na podlagi neenakomernih ali nepopolnih učnih podatkov razvije preferenco do določenih skupin ali značilnosti, kar lahko vodi do nepoštenih ali diskriminatornih odločitev. To se lahko kaže v neenakih napovedih za različne demografske skupine.

Kako Akt o umetni inteligenci (AI Act) vpliva na uporabo UI v zavarovalništvu?

Akt o umetni inteligenci (AI Act) bo uvedel stroge regulacije za visokotvegane sisteme UI, kamor sodi tudi zaznavanje prevar v zavarovalništvu. Zahteval bo oceno skladnosti, upravljanje tveganj, nadzor nad človekom, robustnost, transparentnost in skladnost z varstvom podatkov, z visokimi kaznimi za neskladnost.

Zakaj je transparentnost modela (XAI) tako pomembna?

Transparentnost modela (razložljiva umetna inteligenca – XAI) omogoča razumevanje, zakaj je model sprejel določeno odločitev. To je ključno za zaupanje, odgovornost in skladnost z regulativami, kot je GDPR, ki zahteva pojasnila za avtomatizirane odločitve. Pomaga tudi pri odpravljanju pristranskosti in izboljšanju modela.

Katere so ključne metode za zmanjšanje pristranskosti v AI modelih?

Ključne metode vključujejo uporabo uravnoteženih učnih podatkov, 'de-biasing' algoritme med učenjem (npr. adversarial de-biasing) in metode po obdelavi (npr. reject option classification). Pomembno je tudi redno testiranje in spremljanje modelov s pomočjo metrik pravičnosti (npr. SHAP, LIME).

Viri in reference

• Uradni list RS – Splošna uredba o varstvu podatkov (GDPR) – Uredba (EU) 2016/679
• Uradni list EU – Predlog Uredbe o določitvi usklajenih pravil o umetni inteligenci (akt o umetni inteligenci) in spremembi nekaterih zakonodajnih aktov Unije (AI Act)
• AZN – Agencija za zavarovalni nadzor – Smernice za upravljanje tveganj pri uporabi UI v zavarovalništvu
• ZZZavar-1 – Zakon o zavarovalništvu

Nadaljujte branje o tej temi

Povezave so izbrane samodejno glede na steber zaščite in ključne besede te objave.

• 
  Primer: Tehnični vpogledi

  Davčna obravnava izplačila za hudo bolezen in uporaba sredstev

• 
  Primer: Tehnični vpogledi

  Kdaj zavarovalnica lahko zavrne izplačilo ob smrti

• 
  Primer: Tehnični vpogledi

  Kolektivno zavarovanje hudih bolezni za podjetja: Ureditev in prednosti

• 
  Primer: Tehnični vpogledi

  Koliko nameniti za kritje hudih bolezni: Umestitev v družinski proračun

• 
  Primer: Tehnični vpogledi

  Kreditno življenjsko zavarovanje in FURS: Obdavčitev izplačil za zunajzakonske partnerje