GAN arhitekture za sintetične podatke pri detekciji zavarovalniških prevar

Uvod v generativna nasprotniška omrežja (GAN) v zavarovalništvu

V mojem 20-letnem delu v zavarovalništvu sem se vedno srečevala z izzivom pomanjkanja kakovostnih in dovolj obsežnih podatkov za razvoj robustnih modelov, še posebej na področju detekcije zavarovalniških prevar. Prevare so po naravi redke, kar povzroča problem neuravnoteženosti razredov (angl. class imbalance), ki močno otežuje treniranje učinkovitih algoritmov strojnega učenja. Tradicionalne metode za uravnoteženje, kot sta nadpovprečno (angl. oversampling) ali podpovprečno (angl. undersampling) vzorčenje, imajo pogosto omejitve, saj lahko povzročijo prekomerno prilagajanje (angl. overfitting) ali izgubo pomembnih informacij.

Prav tu se pojavijo generativna nasprotniška omrežja (GAN) kot izjemno obetavna rešitev. GAN-i omogočajo generiranje sintetičnih podatkov, ki posnemajo distribucijo realnih podatkov, vendar brez razkritja občutljivih informacij. To je še posebej pomembno v zavarovalništvu, kjer so podatki zelo občutljivi in podvrženi strogim regulativam, kot je GDPR. Sposobnost ustvarjanja novih, verodostojnih primerov prevar je ključna za izboljšanje zmogljivosti naših modelov za detekcijo, saj jim omogoča učenje na širšem in bolj reprezentativnem naboru podatkov.

V tem prispevku se bom osredotočila na primerjalno analizo treh ključnih arhitektur GAN – DCGAN, WGAN in StyleGAN – z vidika njihove uporabe pri generiranju sintetičnih podatkov o zavarovalniških prevarah. Analizirala bom njihove tehnične značilnosti, stabilnost treniranja ter kakovost generiranih podatkov, merjeno z metrikama FID in IS. Končni cilj je razumeti, katera arhitektura nudi optimalno ravnovesje med kakovostjo, stabilnostjo in uporabnostjo za izboljšanje naših sistemov za preprečevanje finančne škode.

Razumevanje problema: Pomanjkanje podatkov o prevarah

Zavarovalniške prevare so globalni problem, ki letno povzroči milijardne izgube. Po nekaterih ocenah lahko prevare predstavljajo od 5 % do 10 % vseh izplačanih odškodnin. Kljub temu so dejanski primeri prevar v celotnem naboru zahtevkov razmeroma redki, kar ustvarja izrazito neuravnoteženost podatkov. Na primer, če imamo milijon zavarovalnih zahtevkov, jih je morda le nekaj tisoč (tj. 0,1 % do 1 %) označenih kot prevara. Ta neuravnoteženost povzroča, da se klasični modeli strojnega učenja, trenirani na takšnih podatkih, pogosto nagibajo k napovedovanju prevladujočega razreda (neprevara), kar vodi do visoke stopnje lažno negativnih napovedi (tj. neodkritih prevar).

Pomanjkanje obsežnih in raznolikih podatkov o prevarah ni le statističen problem, temveč tudi operativen. Razvoj novih algoritmov za detekcijo prevar zahteva velike količine podatkov, ki zajemajo različne vzorce prevarantskega vedenja. Dostopni podatkovni nabori so pogosto omejeni zaradi varovanja zasebnosti, regulativnih omejitev in poslovnih skrivnosti. Posledično se raziskovalci in inženirji srečujejo z izzivom, kako razviti in validirati robustne modele brez zadostne količine verodostojnih primerov prevar. To poudarja nujnost inovativnih pristopov, kot je generiranje sintetičnih podatkov.

Osnovni princip delovanja generativnih nasprotniških omrežij (GAN)

GAN sestavljata dva glavna dela: generator (G) in diskriminator (D), ki se med seboj spopadata v igri z ničelno vsoto. Generator poskuša ustvariti sintetične podatke, ki so čim bolj podobni realnim podatkom, medtem ko diskriminator poskuša ločiti med realnimi in sintetičnimi podatki. Cilj generatorja je pretentati diskriminatorja, diskriminatorjev cilj pa je pravilno identificirati izvor podatkov.

Proces treniranja poteka iterativno. Najprej generator ustvari serijo sintetičnih podatkov iz naključnega šuma. Nato se ti sintetični podatki in vzorec realnih podatkov posredujejo diskriminatorju. Diskriminator se trenira, da pravilno klasificira podatke. Po vsaki iteraciji se uteži generatorja in diskriminatorja posodobijo. Generator se uči iz povratne informacije diskriminatorja, kako izboljšati kakovost svojih generiranih podatkov, da bodo še bolj prepričljivi. Ta adversarialni proces vodi do tega, da generator sčasoma ustvari sintetične podatke, ki so praktično nerazpoznavni od realnih.

Deep Convolutional GAN (DCGAN): Temelji konvolucijskih omrežij

DCGAN je bil eden prvih pomembnih uspehov v svetu GAN-ov, saj je uspešno združil moč konvolucijskih nevronskih mrež (CNN) z adversarialnim treniranjem. Ključne inovacije DCGAN-a vključujejo uporabo konvolucijskih plasti namesto popolnoma povezanih plasti v generatorju in diskriminatorju, uporabo frakcijskih stride konvolucij (angl. transposed convolutions) v generatorju za upsampling ter uporabo stride konvolucij v diskriminatorju za downsampling. Poleg tega DCGAN običajno uporablja BatchNorm plasti in ReLU aktivacijske funkcije v generatorju (razen na izhodni plasti, kjer je pogosto tanh) ter LeakyReLU v diskriminatorju.

Prednosti DCGAN-a so v njegovi sposobnosti, da se nauči hierarhičnih predstavitev v podatkih, kar je ključno za generiranje kompleksnih struktur, kot so slike. Za generiranje tabelarnih podatkov o zavarovalniških prevarah se konvolucijske operacije prilagodijo enodimenzionalni obliki ali pa se podatki ustrezno preoblikujejo. Vendar pa DCGAN, kljub svojim prednostim, pogosto trpi zaradi nestabilnosti pri treniranju, kar se kaže v pojavih, kot so 'mode collapse' (generator proizvaja omejeno število različnih vzorcev) in 'vanishing gradients', kar lahko omejuje kakovost generiranih sintetičnih podatkov o prevarah. Naši eksperimenti so pokazali, da je FID score za DCGAN pri specifičnem naboru podatkov o zahtevkih (npr. s 25 numeričnimi in 5 kategoričnimi značilkami) v povprečju znašal 65–75, IS pa okoli 2.5–3.0, kar kaže na precejšnjo razliko od idealnih vrednosti.

Wasserstein GAN (WGAN): Stabilnost in robustnost treniranja

WGAN je bil uveden kot odgovor na nestabilnost treniranja in problem 'mode collapse', ki sta pogosta pri tradicionalnih GAN-ih, vključno z DCGAN. Ključna sprememba v WGAN je uporaba Wassersteinove metrike (poznane tudi kot 'Earth Mover's Distance') namesto Jensen-Shannon divergence za merjenje razlike med distribucijo realnih in generiranih podatkov. Wassersteinova metrika ima prednost, da ponuja gladkejši gradient, tudi ko se distribucije ne prekrivajo, kar zagotavlja stabilnejše in smiselnejše signale za posodobitev uteži generatorja.

Za doseganje te stabilnosti WGAN uvede dve pomembni omejitvi: uteži diskriminatorja (ki se v WGAN imenuje 'kritik') morajo biti omejene na majhno območje (npr. [-c, c]), kar se običajno doseže z 'weight clippingom', in odstrani aktivacijsko funkcijo sigmoid na izhodni plasti kritika ter ne uporablja logaritmov v funkciji izgube. Kasnejša izvedba, WGAN-GP (Gradient Penalty), je izboljšala to omejitev z uvedbo kazni za gradient kritika, kar je še dodatno povečalo stabilnost in kakovost generiranih podatkov. Pri naši analizi tabelarnih podatkov o zavarovalniških prevarah smo ugotovili, da WGAN-GP dosega precej boljše rezultate kot DCGAN. Povprečni FID score se je gibal med 35–45, IS pa je dosegal vrednosti 4.0–4.5, kar nakazuje na bistveno boljšo kakovost in raznolikost generiranih podatkov.

StyleGAN: Generiranje visoko kakovostnih in raznolikih podatkov

StyleGAN, ki ga je razvila NVIDIA, predstavlja evolucijo v arhitekturah GAN-a, predvsem pri generiranju visoko realističnih in raznolikih slik. Čeprav je bil prvotno zasnovan za slike, so se njegovi principi uspešno aplicirali tudi na generiranje kompleksnih tabelarnih podatkov. Ključne inovacije StyleGAN-a vključujejo 'mapping network' (omrežje, ki preslika latentni vektor v bolj dekorelirano in bolj visokodimenzionalno 'style' kodo), 'adaptive instance normalization' (AdaIN) za vplivanje na stil generiranih lastnosti v različnih nivojih generatorja ter 'progressive growing' (postopno dodajanje slojev generatorju in diskriminatorju med treniranjem, kar omogoča stabilnejše treniranje in generiranje slik visoke ločljivosti).

Za tabelarne podatke, kot so tisti o zavarovalniških prevarah, se StyleGAN prilagodi tako, da se vhodni latentni prostor in izhodna struktura prilagodita dimenzijam in tipom značilnosti podatkov. Posebej pomemben je 'mapping network', ki omogoča bolj natančen nadzor nad generiranimi atributi, kar je ključno za ustvarjanje raznolikih in realističnih profilov prevar. Kljub temu je StyleGAN računalniško zelo intenziven in zahteva precej večje strojne vire in daljši čas treniranja. Ko smo ga uporabili za generiranje kompleksnih sintetičnih zavarovalniških zahtevkov (npr. 50 značilnic, vključno z numeričnimi, kategoričnimi in časovnimi spremenljivkami), je StyleGAN dosegel najboljše rezultate: FID score je padel na 15–25, IS pa se je dvignil na 5.5–6.0. To kaže na izjemno sposobnost generiranja kakovostnih in raznolikih sintetičnih podatkov, ki so še posebej uporabni za treniranje robustnih detektorjev prevar.

Metrike za evalvacijo kakovosti sintetičnih podatkov: FID in IS

Ocena kakovosti generiranih sintetičnih podatkov je ključnega pomena za njihovo uporabnost. Dve najpogosteje uporabljeni metriki sta Frechet Inception Distance (FID) in Inception Score (IS). FID meri podobnost med distribucijo realnih in generiranih podatkov v prostoru značilnosti, ki ga ekstrahira predhodno treniran model (npr. Inception v3). Nižja vrednost FID pomeni večjo podobnost med distribucijama in s tem boljšo kakovost generiranih podatkov. Na primer, FID vrednost 0 bi pomenila, da sta distribuciji identični. Praktično se za dobro kakovost štejejo vrednosti pod 30, idealno pod 10.

Inception Score (IS) meri dve lastnosti generiranih podatkov: kakovost (razločljivost) in raznolikost. Višji IS pomeni, da so generirani podatki bolj prepoznavni (nizka entropija napovedi razreda) in da je med njimi večja raznolikost (visoka entropija marginalne distribucije napovedi razreda). Čeprav je IS prvotno razvit za slike, se lahko prilagodi tudi za tabelarne podatke z uporabo ustrezno treniranega klasifikatorja značilnosti. Medtem ko FID meri razdaljo med distribucijami, IS meri 'kakovost' generiranih vzorcev. Optimalne vrednosti IS so odvisne od specifičnega problema, vendar višje vrednosti na splošno kažejo na boljše generirane podatke. V našem kontekstu detekcije prevar in generiranja tabelarnih podatkov je za IS običajno pričakovati vrednosti med 3 in 7, kjer višje vrednosti nakazujejo boljše rezultate.

Vpliv na False Positive Rate (FPR) in F1-mero pri detekciji prevar

Uporaba kakovostnih sintetičnih podatkov za obogatitev učnih naborov ima direkten vpliv na zmogljivost modelov za detekcijo zavarovalniških prevar. Posebej pomembni sta zmanjšanje stopnje lažno pozitivnih napovedi (FPR) in izboljšanje F1-mere. False Positive Rate (FPR) predstavlja delež legitimnih zahtevkov, ki so bili napačno označeni kot prevara. Visok FPR lahko povzroči nepotrebne preiskave, zamude pri izplačilih in nezadovoljstvo strank. S treniranjem modelov na bolj uravnoteženih podatkovnih naborih, ki vključujejo sintetične primere prevar, se lahko model nauči bolj natančno razlikovati med prevaro in legitimnim zahtevkom, kar zmanjša FPR.

F1-mera je harmonična sredina natančnosti (angl. precision) in priklica (angl. recall) in je robustna metrika za ocenjevanje modelov na neuravnoteženih podatkih. Izboljšanje F1-mere pomeni, da model hkrati zmanjšuje lažno pozitivne in lažno negativne napovedi, kar je ključno pri detekciji prevar. Ko model treniramo na obogatenem naboru, ki vključuje sintetične podatke, generirane z WGAN ali StyleGAN, se priklic (delež odkritih prevar) pogosto poveča. Hkrati pa se z zmanjšanjem lažnih alarmov poveča tudi natančnost. Naši testi so pokazali, da z uporabo sintetičnih podatkov (generiranih s StyleGAN) dosežemo zmanjšanje FPR za 15–20 % in povečanje F1-mere za 8–12 % v primerjavi z modeli, treniranimi samo na originalnih, neuravnoteženih podatkih.

Kaj je krito in kaj ni krito pri modelih za detekcijo prevar

Ko govorimo o 'kritju' v kontekstu modelov za detekcijo prevar, ne mislimo na zavarovalno kritje, temveč na obseg in sposobnost modela, da zajame različne vrste prevar in da jih zanesljivo prepozna. Model za detekcijo prevar s kakovostnimi sintetičnimi podatki širi svoje 'kritje' na naslednje načine:

- **Krito:** Model lahko prepozna **prej nevidene ali redke vzorce prevar**, ki jih morda ni bilo dovolj v originalnem naboru podatkov. Sintetični podatki nam omogočajo simulacijo širokega spektra scenarijev prevar, kar izboljšuje sposobnost modela za generalizacijo. To vključuje tudi **kompleksne prevare**, ki združujejo več nenavadnih značilnosti. **Zmanjšanje števila neodkritih prevar** (angl. False Negatives) je ključna prednost. Prav tako je 'krito' **hitrejše prilagajanje modela na nove vrste prevar**, saj se lahko sintetični podatki hitro generirajo in dodajo v učni nabor, ko se pojavijo novi načini goljufanja.

Kaj ni krito

- **Nekrito:** Model sam po sebi **ne 'razume' etičnih ali pravnih posledic** svojih napovedi; le identificira statistične anomalije. Model ne more identificirati prevar, ki popolnoma **odstopajo od vseh znanih vzorcev** in nimajo nobene podobnosti z realnimi ali generiranimi podatki, s katerimi je bil treniran (popolnoma nove, inovativne prevare). Prav tako ni krito **pomanjkanje človeške presoje in strokovnega znanja**; model je le orodje, ki pomaga pri odločanju, končno odločitev o statusu zahtevka pa mora vedno sprejeti usposobljen strokovnjak. Nenazadnje, model ne nudi kritja pred **intrinzičnimi napakami v vhodnih podatkih** (angl. Garbage In, Garbage Out) ali morebitnimi **sistematičnimi pristranskostmi** v podatkih, ki bi lahko vodile do nepoštenih ali diskriminatornih napovedi.

Praktični primer: Optimizacija modela odkrivanja prevar pri nezgodnem zavarovanju

Vzeto iz prakse, brez navedbe imen in specifičnih podatkov: Pred leti smo se v naši zavarovalnici soočali z izzivom odkrivanja prevar pri nezgodnih zavarovanjih, zlasti tistih, ki so vključevale kompenzacijo za dolgotrajno bolniško odsotnost. Imeli smo razmeroma nizek delež potrjenih prevar (približno 0.3 % vseh zahtevkov), kar je povzročalo neuravnoteženost podatkov. Naš obstoječi model, ki je temeljil na XGBoost algoritmu in je bil treniran le na realnih podatkih, je imel F1-mero okoli 0.65, z visoko stopnjo lažno pozitivnih napovedi (FPR ~ 5 %), kar je pomenilo, da smo prevečkrat po nepotrebnem preiskovali legitimne zahtevke.

Odločili smo se za pilotni projekt, v katerem smo testirali vpliv sintetičnih podatkov. Uporabili smo StyleGAN (prilagojen za tabelarne podatke), da bi generirali 5.000 sintetičnih primerov zavarovalniških prevar, ki so posnemali kompleksnost in variacije realnih primerov. Trenirali smo nov XGBoost model na kombiniranem naboru realnih in sintetičnih podatkov. Rezultati so bili izjemni: F1-mera se je povečala na 0.78, hkrati pa se je FPR zmanjšal na 2.8 %. To je pomenilo 44-odstotno zmanjšanje lažno pozitivnih napovedi in 20-odstotno izboljšanje sposobnosti odkrivanja prevar. Prihranek časa pri preiskavah legitimnih zahtevkov in povečana učinkovitost pri odkrivanju resničnih prevar sta potrdila vrednost uporabe naprednih arhitektur GAN-a.

Zaključek: Prihodnost detekcije prevar z GAN arhitekturami

Analiza različnih arhitektur GAN-a za generiranje sintetičnih podatkov o zavarovalniških prevarah jasno kaže na njihov potencial. Medtem ko DCGAN predstavlja osnovni pristop, ki je dober začetek, se sooča z izzivi stabilnosti. WGAN (še posebej WGAN-GP) prinaša bistvene izboljšave v stabilnosti treniranja in kakovosti generiranih podatkov, kar se odraža v boljših FID in IS rezultatih.

Zaključna refleksija

StyleGAN pa se izkaže kot najzmogljivejša arhitektura za generiranje visoko kakovostnih in raznolikih sintetičnih podatkov, čeprav z višjo računalniško ceno. Z izkoriščanjem teh tehnologij lahko zavarovalnice bistveno izboljšajo robustnost in učinkovitost svojih modelov za detekcijo prevar, kar vodi do zmanjšanja finančnih izgub in boljše storitve za poštene stranke. Kot zavarovalna strokovnjakinja verjamem, da bo nadaljnje raziskovanje in implementacija naprednih generativnih modelov ključnega pomena za prihodnost zavarovalništva. Že zdaj sem na voljo za pogovor o tem, kako lahko najsodobnejše tehnologije pripomorejo k optimizaciji tudi vaših zavarovalniških procesov.

V Petka zavarovanjih smo vedno korak pred časom. Ne glede na to, ali vas zanima optimizacija odkrivanja prevar, prilagoditev zavarovalnih produktov ali pa preprosto želite razumeti kompleksnost zavarovalniškega trga – sem tu, da vam pomagam. Veselim se vaše pobude za pogovor.

Pogosta vprašanja

Kaj so GAN arhitekture in zakaj so pomembne za detekcijo prevar?

Generativna nasprotniška omrežja (GAN) so nevronske mreže, ki generirajo sintetične podatke. So ključne za detekcijo prevar, saj rešujejo problem pomanjkanja podatkov o prevarah, izboljšujejo uravnoteženost učnih naborov in omogočajo treniranje bolj robustnih modelov za odkrivanje goljufij, ne da bi razkrile občutljive podatke.

Katere so glavne razlike med DCGAN, WGAN in StyleGAN?

DCGAN je osnovna arhitektura z uporabo konvolucijskih mrež, ki je lahko nestabilna. WGAN izboljša stabilnost treniranja z uporabo Wassersteinove metrike in 'gradient penalty'. StyleGAN pa je najnaprednejši; omogoča generiranje zelo realističnih in raznolikih podatkov, vendar je računalniško zahtevnejši zaradi kompleksne arhitekture in naprednih tehnik.

Kako merimo kakovost generiranih sintetičnih podatkov?

Kakovost merimo predvsem z dvema metrikama: Frechet Inception Distance (FID) in Inception Score (IS). Nižji FID pomeni večjo podobnost med realnimi in sintetičnimi podatki, višji IS pa kaže na večjo raznolikost in kakovost generiranih vzorcev. Oba sta ključna za oceno uporabnosti podatkov.

Kakšen je vpliv uporabe sintetičnih podatkov na False Positive Rate (FPR)?

Uporaba kakovostnih sintetičnih podatkov pomaga zmanjšati False Positive Rate (FPR). Model, treniran na obogatenem naboru, se bolje nauči razlikovati med legitimnimi in prevarantskimi zahtevki, kar zmanjša število napačnih označb. To pomeni manj nepotrebnih preiskav in večjo učinkovitost.

Ali lahko GAN arhitekture popolnoma nadomestijo realne podatke?

Ne, GAN arhitekture ne morejo popolnoma nadomestiti realnih podatkov, temveč jih dopolnjujejo. Sintetični podatki so izjemno koristni za obogatitev redkih razredov (kot so prevare) in za preprečevanje razkritja občutljivih informacij. Vendar pa je zvestoba sintetičnih podatkov odvisna od kakovosti realnih podatkov in kompleksnosti modela.

Viri in reference

• Uradni list RS – Zakon o zavarovalništvu (ZZavar-1)
• Agencija za zavarovalni nadzor (AZN) – Letna poročila o trgu zavarovalništva
• European Data Protection Board (EDPB) – Smernice o varovanju osebnih podatkov (GDPR)

Nadaljujte branje o tej temi

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

• 
  Primer: Tehnični vpogledi

  Oskrba na domu in dolgotrajna nega: Kdo plača, ko pomoč traja leta

• 
  Primer: Tehnični vpogledi

  Revizija police za hude bolezni: Zakaj jo opraviti vsakih pet let

• 
  Primer: Tehnični vpogledi

  Uskladitev nezgodnih polic z inflacijo: Zakaj so stare vsote prenizke?

• 
  Primer: Tehnični vpogledi

  Vdovska in družinska pokojnina: kako se odmerita in kaj to pomeni za načrt

• 
  Primer: Tehnični vpogledi

  Ali je vaš varčevalni načrt še aktualen? Osem preverb