AI가 보험 산업을 변화시키는 방법 - 디지털 트랜스포메이션

 

AI가 보험 산업을 변화시키는 방법

 

 

간소화된 고객 경험, 향상된 효율성, 비용 절감은 보험사가 내부 및 고객 대면 프로세스에 인공 지능(AI)을 통합하여 얻을 수 있는 많은 이점 중 일부입니다.

오늘날의 보험 회사는 전통적인 이미지를 무시하고 편의성을 촉진하고 기존의 보험 관행을 변화시키는 혁신적인 솔루션을 채택하고 있습니다.

인수, 청구 처리 또는 대량의 데이터 분석을 통한 정확한 위험 평가 등 AI 솔루션은 보험 산업의 모든 분야에 대한 길을 열어주고 있습니다.

보험은 머신러닝(ML), 딥러닝 등 AI 기반 기술과 신경망 등 관련 기술을 활용해 방대한 양의 내부 및 외부 데이터를 정제함으로써 큰 이점을 얻을 수 있습니다.

보험에서 AI의 심오한 역할을 탐구하고 AI의 응용 분야와 현재 동향을 알아보기 위해 더 깊이 탐구해 보겠습니다.

보험사에서 AI를 활용하면 얻을 수 있는 이점

보험에 AI를 통합하는 것은 사이버 보안 위험에 대한 근본적인 우려로 인해 지루할 수 있습니다. 기업은 이 기술을 책임감 있게 사용하는 동시에 영향력이 큰 사용 사례에 맞게 선택할 때 신뢰성과 정확성을 배우기 위한 기본 규칙을 수립해야 합니다.

 

그러나 세상이 AI의 능력을 알아가면서 AI가 제공하는 용이성과 자동화를 피하기가 어려워졌습니다. AI의 명백한 이점 중 일부는 다음과 같습니다.

 

1. 향상된 효율성

보험 부문은 매일 상당한 양의 디지털 데이터를 처리해야 합니다. 이 데이터를 구조화된 형식으로 찾는 것은 축복일 수 있지만 그렇지 않은 경우에는 저주가 될 수 있습니다. AI는 빠른 속도로 데이터를 정제하고 구조화할 수 있는 잠재력을 갖고 있어 직원들이 보다 가치 있는 작업에 집중할 수 있습니다.

 

1. 비용 절감

작업이 더 빨리 완료되면 각 작업을 수행하는 데 드는 비용이 감소합니다. 또한 일상적인 업무에 시간과 에너지를 낭비할 필요가 없으므로 직원 만족도도 높아집니다.

 

1. 간소화된 고객 경험

고객 대면 프로세스에 AI를 적용하면 접근하기 쉽고 간소화된 보험 프로세스가 제공됩니다. 행복한 고객은 모든 서비스 제공업체가 달성할 수 있는 가장 놀라운 성과 중 하나입니다. 이는 고객에게 신뢰를 심어주고 반복적인 비즈니스에 더 많은 것을 추가합니다.

AI 솔루션은 보험 산업을 어떻게 재편하고 있습니까?

보험업계는 경쟁이 치열합니다. 따라서 경쟁 우위를 확보하려면 자동화 기술을 채택하는 것이 필수적입니다.

AI는 보험 상품 관리, 데이터 입력, 문서 처리, 운영 확장 등 반복적인 작업을 자동화하여 보험사에 엄청난 가치를 제공합니다. AI와 같은 첨단 기술을 통합하면 힘들고 시간이 많이 걸리는 보험 절차를 어떻게 신속하게 처리할 수 있는지 살펴보겠습니다.

 

 

 

1. 효율적인 청구 처리

보험사는 특정 청구에 대해 청구인이 받을 이해력을 결정하기 위해 정책을 세부적으로 수동으로 평가해야 합니다. 소개 청구 처리 자동화 수동 확인에 소요되는 시간과 문제를 줄일 수 있습니다. 보험사는 AI, RPA, IoT를 활용해 운영 효율성을 높였습니다.

2. 위험성 평가

신청자는 보험 양식을 수동으로 작성하여 위험 평가 프로세스를 수행했습니다. 여기서 청구인의 실수나 부정직으로 인해 부정확한 위험 평가가 발생할 가능성이 높아집니다.

연결성과 IoT 장치의 증가로 인해 보험사는 정확한 정보가 포함된 더 큰 데이터 세트를 수집할 수 있습니다. 또한 보험 회사가 텍스트 소스에서 원하는 정보를 찾는 데 도움이 되는 자연어 처리(NLP)를 사용하여 위험 평가를 향상할 수 있습니다.

3. 사기 탐지 및 예방

약 1조 달러 보험업계에서는 보험료를 통해 징수됩니다. 이러한 높은 지분으로 인해 사기 위험도 기하급수적으로 증가합니다. 비건강보험 사기로 인한 비용은 매년 400억 달러가 넘습니다. 이로 인해 보험료 금액이 연간 $400에서 $700로 증가합니다.

머신러닝 사기 탐지 사기를 탐지하고 예방하는 데 도움이 됩니다. 방대한 양의 데이터를 분석하면 의심스러운 패턴을 학습하고 잠재적인 사기에 대해 보험사에 실시간으로 경고할 수 있습니다. AI는 금전적 손실을 줄이고 운영 무결성을 유지하며 위험을 관리하여 보험사를 지원합니다. 이는 사기 행위로부터 기업과 보험 계약자를 보호함으로써 이들에게 권한을 부여합니다.

4. FNOL 보고

보험에 AI를 활용하면 사람의 개입을 최소화하면서 손실에 대한 최초 통지를 보고하고, 라우팅하고, 분류하고 할당할 수 있습니다. 챗봇을 사용하면 이 프로세스를 지원할 수 있어 고객이 언제 어디서나 사건을 등록할 수 있는 편의성을 제공할 수 있습니다.

5. 일상적인 업무를 신속하게 처리하세요

일상 업무에 AI를 도입하면 고객 경험을 향상할 수 있습니다. 챗봇은 프로세스를 시작하고 다음 정렬 프로세스에 정보를 추가로 순환시킬 때 매우 효율적이며 프로세스를 더 원활하고 빠르며 오류 없이 만듭니다.

AI 지원 챗봇은 고객의 프로필과 이력을 학습하여 제품을 교차 판매 및 상향 판매할 수 있습니다. 운영 확장 시 AI의 잠재력을 최대한 활용하면 인적 자원을 다른 중요하고 전략적인 역할에 사용할 수 있습니다.

6. 손실 추정 수행

딥러닝, 머신러닝, OCR 등 최신 AI 기술 발전을 통해 이미지를 이용한 피해 평가가 매우 쉬워졌습니다. 손상된 물체의 사진만 업로드하면 손상 정도를 몇 초 안에 판단할 수 있습니다. 또한 이러한 기술자는 잠재적인 손실을 예측하고 귀중한 권장 사항을 제공하도록 추가 교육을 받을 수 있습니다.

오늘날의 역동적인 비즈니스 환경에서 AI를 활용하는 것은 경쟁 우위를 확보하는 데 매우 중요합니다. 첨단 기술을 조기에 채택하여 고객과 직원을 위해 프로세스를 유연하게 만드는 보험 회사는 전례 없는 성공을 거두었습니다.

보험과 같이 데이터 기반 의사결정에 크게 의존하는 산업에서는 AI 솔루션 통합을 선호하는 경향이 점점 더 커지고 있습니다. 자동화는 특히 보험 부문에서 신청부터 청구 정산까지 전체 프로세스를 향상시킵니다. 보험 분야의 AI는 여전히 등장하고 있지만 상당한 변화를 가져올 수 있는 잠재력을 갖고 있습니다.

보험 부문에는 수많은 AI 사용 사례가 있으며, 기업이 이 기술을 얼마나 빨리 채택하느냐에 따라 경쟁 우위가 결정됩니다.

머신 러닝을 활용한 사기 탐지를 위한 포괄적인 가이드

사기 탐지를 용이하게 하기 위해 머신 러닝이 어떻게 엄청난 변화를 겪었는지 확인해 보세요.

 

 

머신 러닝을 통한 사기 감지의 이점

머신러닝은 어떻게 신용카드 사기 감지에 도움이 되는가?

9가지 일반적인 사기 시나리오 - 머신 러닝 사기 감지 적용

사기 탐지를 위한 머신 러닝 사용의 한계

결론적인 생각

금융 산업은 수년에 걸쳐 기술의 통합으로 엄청난 변화를 겪었습니다. 가장 분명한 변화는 현재 우리가 지불 거래를 보는 방식에서 나타났습니다. 디지털 지불 시장은 지난 몇 년 동안 엄청난 성장을 보였습니다.

Statista에 따르면 2020년 디지털 결제 거래의 총 가치는 4,934,741백만 달러로 예측됩니다 . 같은 보고서에 따르면 모바일 POS 결제 사용자 수는 2024년까지 18억 4천만 명에 도달할 것으로 예상됩니다.

디지털 결제가 이제 표준이 되면서, 점점 더 많은 회사들이 이 부문에서 결제를 용이하게 하고 사용자 친화적이고 고객 중심적으로 만들기 위한 기회를 놓고 경쟁하고 있습니다. 최근의 몇 가지 예는 다음과 같습니다.

• 알리바바의 Alipay와 M-Pesa는 Aliexpress.com 사용자를 위한 결제 옵션으로 M-Pesa를 제공하는 계약을 체결했습니다 .
• 최근 추가된 기능은 WhatsApp의 WhatsApp Pay 입니다.

디지털 결제가 일반화되면서 디지털 사기도 일반화되었습니다. 사기 관리가 은행 및 상업 산업에 고통스러웠습니다. 사기꾼들은 허점을 찾는 데 능숙해졌습니다. 순진한 사람들을 피싱하고 창의적인 방법으로 그들에게서 돈을 뽑아냅니다.

그 결과, 기업들은 기계 학습과 예측 분석을 통한 사기 탐지를 통해 지불 시스템 내의 취약점을 효율적으로 관리하고 허점을 메우기 시작했습니다 . VynZ Research의 연구에 따르면 사기 탐지 및 예방 시장은 2020-2025년 동안 17.8%의 CAGR로 성장하여 853억 달러에 도달할 것으로 예상됩니다 .

결제 시스템을 완벽하게 보호하려는 회사의 주요 과제는 다음과 같습니다.

• 결제 위험을 최소화하고 경험을 개선할 수 있는 우수한 도구 확보
• 사기 탐지 및 혁신적인 결제 경험에 도움을 줄 수 있는 숙련된 전문가를 확보하세요.

기계 학습이 사기 탐지에 가장 적합한 방법인 이유와 기업이 지불 시스템을 인증하는 데 어떻게 도움이 될 수 있는지 알아보겠습니다 .

먼저, 머신러닝이 무엇인지 간단히 살펴보겠습니다.

머신러닝이란?

인공 지능은 기계가 제공하는 정보를 로드하고 해독하는 능력으로 인해 묘사되는 두뇌입니다. AI를 통해 장치는 인간을 모방합니다. 머신 러닝은 AI의 하위 집합입니다 . 컴퓨터는 제공된 데이터에서 학습하여 할당된 작업을 수행합니다. 

머신 러닝에서 컴퓨터는 제공된 정보를 사용하여 훈련 데이터를 구축하는데, 이는 예측과 결정에 도움이 됩니다. 정보가 머신에 로드됨에 따라 데이터 세트가 개선되고 알고리즘의 기능이 향상되어 여러 면에서 도움이 될 수 있으며, 그 중 일부는 다음과 같습니다.

• 판매 예측 – 기계는 과거 판매 날짜와 현재 판매 거래를 기반으로 내년의 판매를 예측할 수 있습니다. 어떤 제품이 얼마나 팔릴지 알 수 있으므로 재고 관리에 도움이 됩니다. 
• 개인화 – 머신 러닝은 주문 내역, 탐색 행동, 인구 통계를 자세히 설명합니다. Amazon 및 Netflix와 같은 앱이 앱 경험을 향상시킬 추천에 도달하는 데 도움이 됩니다. 

사기 감지의 경우, 머신 러닝을 통해 더 빠른 해결과 효과적인 거래가 보장됩니다.

머신 러닝을 통한 사기 감지의 이점

기계는 인간보다 대규모 데이터 세트를 처리하는 데 훨씬 뛰어납니다. 규칙을 만들어서 포착한 몇 가지 패턴 대신 사용자의 구매 여정에서 수천 개의 패턴을 감지하고 인식할 수 있습니다.

우리는 원시 데이터에 인지 컴퓨팅 기술을 적용하여 대량의 거래에서 사기를 예측할 수 있습니다 . 이것이 우리가 고객의 사기를 방지하기 위해 머신 러닝 알고리즘을 사용하는 이유입니다.

머신 러닝을 사용하여 사기를 감지하는 데에는 다음과 같은 이점이 있습니다.

• 더 빠르고 효율적인 감지

머신 러닝은 사용자가 앱과 상호작용하는 방식에 대한 통찰력을 제공합니다. 여기에는 앱 사용, 결제, 심지어 거래 방법에 대한 이해가 포함됩니다. 

그 결과, 기계는 사용자가 일반적인 앱 동작에서 벗어났는지 빠르게 식별할 수 있습니다. 사용자가 사이트에서 쇼핑한 금액이 갑자기 급증하면 이상 현상일 수 있습니다. 진행하려면 사용자의 승인이 필요합니다. 

머신러닝은 이러한 이상 징후를 실시간으로 빠르게 식별하여 위험을 최소화하고 거래의 보안을 강화할 수 있습니다.

• 정확도 향상

머신 러닝을 사용하면 분석가 팀이 더 빠르고 정확하게 작업할 수 있습니다. 데이터와 통찰력의 힘을 제공하는 것뿐이므로 수동 분석에 소요되는 시간이 줄어듭니다. 

훈련된 모델에 충분한 데이터가 있다고 가정해 보겠습니다. 그러면 진짜 고객과 사기 고객을 구별할 수 있을 것입니다. 이렇게 하면 정확도가 높아지는 데 도움이 됩니다. 결과적으로 차단되는 진짜 고객이 줄어들 것입니다. 

고객이 새로운 카드나 새로운 결제 수단을 추가했는데, 이는 그들의 일반적인 행동 방식이 아닙니다. 과거 데이터를 기반으로 모델은 결제 수단의 진위성과 고객 기록을 추적하여 거래가 사기인지 아닌지 파악할 수 있습니다.

• 더 큰 데이터 세트를 통한 더 나은 예측

머신 러닝은 더 많은 데이터로 개선되는데, ML 모델은 여러 행동 간의 차이점과 유사점을 골라낼 수 있기 때문입니다. 어떤 거래가 진짜이고 어떤 거래가 사기인지 알게 되면, 시스템은 이를 처리하고 두 버킷에 맞는 거래를 골라내기 시작할 수 있습니다.

이는 또한 새로운 거래를 처리할 때 미래에 이를 예측할 수 있습니다. 빠른 속도로 확장하는 데는 위험이 있습니다. 훈련 데이터에서 감지되지 않은 사기가 있는 경우 머신 러닝은 미래에 해당 유형의 사기를 무시하도록 시스템을 훈련합니다.

• 비용 효율적인 탐지 기술

사기 탐지팀은 방대한 양의 데이터를 분석하고 통찰력을 구축해야 했는데, 이는 시간이 많이 걸리고 지루한 작업입니다. 결과는 정확할 수도 있고 그렇지 않을 수도 있으며, 이는 진짜 고객이 결제 게이트웨이에서 차단되는 결과를 초래할 수 있습니다.

하지만 머신 러닝을 핵심으로 삼으면 팀의 부담이 줄어들고 효율성이 높아집니다. 알고리즘은 더 나은 의사 결정 기능을 위해 실시간으로 데이터를 제공하는 동시에 밀리초 단위로 대규모 데이터 세트를 분석할 수 있습니다.

반면, 핵심 팀은 최종 사용자의 요구 사항을 충족하도록 머신 러닝 사기 감지 알고리즘을 모니터링하고 최적화하여 결과를 개선할 수 있습니다.

머신러닝은 어떻게 신용카드 사기 감지에 도움이 되는가?

머신 러닝을 이용한 사기 탐지 프로세스는 데이터 수집 및 세분화로 시작합니다. 그런 다음 머신 러닝 모델에 훈련 세트를 공급하여 사기 가능성을 예측합니다.

이 과정의 각 요소를 살펴보겠습니다.

    1. 입력 데이터  – 머신 러닝이 알고리즘을 개발할 수 있을 만큼 충분한 데이터가 있어야 합니다. 

귀하가 받는 데이터에는 너무 많은 노이즈가 있습니다. 알고리즘은 진짜 고객으로 구성된 좋은 데이터와 사기꾼인 나쁜 데이터를 구별할 수 있어야 합니다.

이 데이터를 세분화하면 모델이 더 잘 이해하고 효율적으로 결과를 제공할 수 있습니다. 

    2. 특징 추출 – 특징은 사기를 식별하는 데 도움이 되는 신호를 결정하는 데 도움이 됩니다.

    사기 발견에 중요한 특징은 다음과 같습니다.

• 고객의 신원(이메일 주소, 신용카드 번호 등)
• 지난 주문 내역
• 그들이 선호하는 지불 방법은 다음과 같습니다. 
• 거래에 사용한 위치 
• 네트워크(이메일, 전화번호, 온라인 계정에 입력된 결제 세부정보)

    3. 알고리즘 훈련 - 이 시점에서는 기계가 사기 거래와 정상 거래의 차이를 이해하도록 도와야 합니다. 이를 위해 알고리즘을 만들고 학습 데이터 세트를 사용하여 훈련하고 기계가 정확한 예측을 할 수 있도록 도와야 합니다.

사기 탐지 비지도 학습 알고리즘에 추가한 기능은 입력 데이터와 함께 기계를 더 나은 예측 방향으로 훈련하는 데 도움이 됩니다.

    4. 모델 생성 – 훈련 세트는 모델이 정의된 알고리즘을 이해하고 이해하는 데 도움이 됩니다. 머신 훈련이 끝나면 사기 탐지에 필요한 정확한 모델을 얻게 됩니다. 

시스템에 새로운 데이터나 기능이 추가될 때마다 모델을 개선해야 합니다.

모델을 예측하고 일관된 결과를 보장하기 위해 모델을 구축하는 데 다양한 기술이 사용됩니다.

    a. 로지스틱 회귀

이 기술은 원인-결과 관계를 사용하여 구조화된 데이터 세트를 고안합니다. 회귀 분석은 변수의 수와 데이터 세트의 크기로 인해 사기 탐지에 적용하면 더 정교해지는 경향이 있습니다. 더 큰 사기 전략의 일부로 개별 변수 또는 변수 조합의 예측 능력을 평가하여 가치를 제공할 수 있습니다. 

이 기술에서는 진짜 거래와 사기 거래를 비교하여 알고리즘을 만듭니다. 이 모델(알고리즘)은 새 거래가 사기인지 아닌지를 예측합니다. 매우 큰 상인의 경우 이러한 모델은 고객 기반에 따라 다르지만 일반적으로 일반적인 모델이 적용됩니다.

   b. 의사결정 트리

이것은 분류 작업에 대한 규칙 생성을 자동화하는 데 사용되는 성숙한 머신 러닝 알고리즘 패밀리입니다. 의사 결정 트리 알고리즘은 분류 또는 회귀 예측 모델링 문제에 사용할 수 있습니다. 이는 본질적으로 클라이언트가 직면한 사기의 예를 사용하여 훈련된 일련의 규칙입니다.

트리를 만들면 관련 없는 특징을 무시하고 광범위한 데이터 정규화가 필요하지 않습니다. 트리를 검사할 수 있으며 특정 고객이 트리거한 규칙 목록을 따르면 결정이 내려진 이유를 이해할 수 있습니다. 머신 러닝 알고리즘의 출력은 다음 결정 트리와 같은 모델일 수 있습니다. 이는 이전 시나리오에 기반한 사기 확률 점수를 제공합니다.

  c. 랜덤 포레스트

랜덤 포레스트 기법은 여러 의사결정 트리를 조합하여 분류 또는 회귀의 성능을 개선합니다. 이를 통해 단일 트리에 존재할 수 있는 오류를 매끄럽게 만들 수 있습니다. 결과를 해석하고 사용자에게 설명 가능한 점수를 제공하는 기능을 유지하면서 모델의 전반적인 성능과 정확도를 높입니다.

랜덤 포레스트 런타임은 매우 빠르며, 불균형하고 누락된 데이터를 처리할 수 있습니다. 랜덤 포레스트의 약점은 회귀에 사용될 때 훈련 데이터의 범위를 넘어 예측할 수 없고 특히 노이즈가 많은 데이터 세트를 과도하게 적합시킬 수 있다는 것입니다. 물론 모든 알고리즘의 가장 좋은 테스트는 자신의 데이터 세트에서 얼마나 잘 작동하는지입니다.

    d. 신경망

그것은 다른 기술을 훌륭하게 보완하며 데이터에 노출됨에 따라 향상됩니다. 신경망은 인지 컴퓨팅 기술의 일부로, 기계가 인간의 뇌가 작동하는 방식과 패턴을 관찰하는 방식을 모방합니다.

신경망은 완전히 적응적입니다. 합법적인 행동 패턴에서 학습할 수 있습니다. 이는 정상적인 거래의 행동 변화에 적응하고 사기 거래 패턴을 식별할 수 있습니다. 신경망의 프로세스는 매우 빠르며 실시간으로 결정을 내릴 수 있습니다.

머신 러닝을 사용한 실시간 신용카드 사기 감지를 위한 모델 선택

귀하가 선택한 모델은 시스템에서 흔히 나타나는 이상 징후를 쉽게 식별할 수 있어야 합니다.

• 한 시간 안에 하나의 계정에서 여러 개의 결제 방법이 추가되면 해당 계정은 사기일 가능성이 있습니다.
• 고객이 대량으로 프리미엄 상품을 구매하는 경우, 알고리즘은 이러한 사기 행위를 감지할 수 있어야 합니다.
• 프로필에 추가된 위치나 주소는 사기입니다. 즉, 존재하지 않습니다.
• 이메일 ID가 의심스럽습니다.
• 계좌명과 카드명이 일치하지 않습니다. 

귀하의 훈련 세트는 이러한 사기에 대한 데이터로 구성되어야 합니다. 귀하가 선택하는 모델은 또한 귀하의 데이터 세트에 따라 달라지는데, 이는 서로 다른 패턴의 데이터 세트에서 다르게 작동하기 때문입니다.

9가지 일반적인 사기 시나리오 - 머신 러닝 사기 감지 적용

현실 세계에서 존재하는 몇 가지 사기 사례와 ML이 이를 감지하는 데 어떻게 도움이 될 수 있는지 살펴보겠습니다. 여러분은 이런 사기를 어떤 식으로든 경험했을 가능성이 큽니다. 

    1. 이메일 피싱

이 기술에서 사기꾼은 수신자를 속여 자신의 데이터로 이메일에 답하도록 하는 경향이 있습니다. 데이터를 사용하여 시스템을 해킹하고 돈을 훔칠 수 있습니다. 

머신 러닝은 알고리즘을 사용하여 실제 이메일 주소와 스팸 이메일 주소를 구별하여 이러한 사기를 방지합니다. 이들은 제목줄, ​​이메일 내용, 발신자의 이메일 세부 정보를 읽어서 좋은 이메일과 사기성 이메일로 구분합니다. 

    2. 신원 도용

이것은 주의해야 할 또 다른 종류의 사기입니다. 이 경우 범죄자들은 ​​은행 계좌와 관련된 신원을 훔치는 경향이 있습니다. 그들은 ID나 비밀번호를 변경하여 이러한 계좌에 들어가는 것을 방지합니다. 

머신 러닝은 아무도 비밀번호를 변경하거나 계정과 관련된 신원을 업데이트할 수 없도록 보장합니다. 누군가가 귀하의 계정을 해킹하거나 세부 정보를 변경하려고 하면 즉시 알림을 받게 됩니다. 2단계 보안 및 기타 조치와 인간과 같은 지능은 사기를 더 잘 예방하는 데 도움이 됩니다.  

    3. 신용카드 도난

피싱이나 다른 방법을 통해 사기꾼은 귀하의 신용카드 정보를 얻어서 카드의 물리적 존재가 필요 없는 시스템에서 사용할 수 있습니다. 귀하는 하지 않은 구매에 대해 지불해야 합니다. 

신용카드 사기 탐지 머신 러닝은 이러한 침해를 예방할 수 있습니다. 과거 구매 내역은 고객의 구매 행동에 대해 약간 알려줍니다. 또한 지출할 가능성이 있는 금액, 구매 유형 및 위치를 자세히 설명합니다. 구매가 비정상적인 경우 알고리즘은 사기를 탐지하고 방지합니다. 

    4. 문서 위조

위조 ID는 전자상거래 시장에서도 판매되며, 이는 이러한 ID 소유자에게 많은 문제를 일으킬 수 있습니다. 머신 러닝은 위조된 신원을 능숙하게 식별할 수 있습니다.

이 알고리즘은 가짜 신원과 진짜 신원을 구별하도록 신경망을 훈련시켜, 완벽한 시스템을 만들었습니다. 

    5. 신용 카드 세부 정보 폼재킹

이는 귀하의 신용카드 정보를 하이재킹하는 것입니다. 귀하가 온라인에서 특정 양식에 정보를 입력하는 동안 해커는 도구를 사용하여 정보를 하이재킹하고 다른 곳에서 사용할 준비가 됩니다.

이는 귀하의 웹사이트에 추가된 머신 러닝 알고리즘을 통해 감지할 수 있습니다. 이를 통해 정보를 보호하고 데이터가 공격자에게 제공되지 않도록 할 수 있습니다.

    6. 가짜 애플리케이션

사기꾼들이 귀하의 ID와 기타 세부 정보에 접근할 수 있다면, 사기꾼들은 그것을 사용하여 신용 카드를 만들 수 있습니다. 그들은 귀하가 청구서를 지불해야 하는 동안 카드를 사용할 것입니다. 도난 감지 모델은 이러한 특정한 이유로 고안되었으며, 신경 모델에 접근하여 애플리케이션이 진짜인지 가짜인지 파악합니다. 

    7. 결제 사기

지불 사기에는 분실된 신용 카드, 도난된 카드, 위조 카드가 포함됩니다. 사기꾼은 카드 소유자가 이러한 청구서를 지불해야 하는 동안 지불을 완료합니다.

주로 물리적 카드가 필수적이지 않은 거래와 취약한 사이트에서 사용됩니다. 현재 기술과 비교하여 과거에 사용된 결제 기능과 방법을 식별하는 별도의 감지 모델이 있습니다. 

    8. 구매자 행동 모방

이는 새로운 종류의 사기로, 범죄자가 구매자의 행동을 연구하고 이를 모방하려고 시도합니다. 데이터에 대한 심층적인 이해는 머신 러닝에 실제 구매자와 사기꾼의 차이를 제공할 수 있습니다.

더 나은 정확한 결과를 얻으려면 위치 스푸핑 세부 정보를 식별하고 사기꾼이 구매를 진행하는 위치를 파악하는 등의 세부 정보를 ML 알고리즘에 추가해야 합니다. 

    9. 고급 소프트웨어

숙련된 해커는 고급 안티-피러시 및 탐지 소프트웨어를 사용하는 경향이 있는데, 이는 일반 브라우저가 자신을 인식하지 못하게 할 수 있습니다. 그들은 가상 IP와 머신을 생성하여 범죄를 저지를 수 있습니다.

머신 러닝 알고리즘은 가상 IP, 머신 이상, 사기 행위를 식별하는 데 도움이 되는 이 데이터를 제공받아야 합니다. 그 결과, 사기로 인해 결제 게이트웨이가 다운되는 것을 방지할 수 있습니다.  

사기 탐지를 위한 머신 러닝 사용의 한계

머신 러닝은 일상 거래에서 이상 패턴을 찾을 수 있게 해주는 매우 유용한 기술입니다. 이는 실제로 이전 조직에서 사용했던 인간 검토 및 규칙 기반 방법보다 우수합니다. 

그러나 다른 기술과 마찬가지로 이 사기 탐지 기술에도 한계가 있습니다.

    1. 검사 가능성 문제

Maruti Techlabs에서는 고객을 위해 백엔드 머신 러닝 모델을 유지 관리합니다. 따라서 구매자나 판매자가 사기꾼으로 표시되고 시스템을 사용할 수 없게 된 이유를 설명해야 합니다. 또한 고객이 사기를 확인하고 시스템을 훈련할 수 있도록 이를 수행해야 합니다. 사실, 머신 러닝은 그것을 뒷받침하는 인간 데이터 과학자만큼만 좋습니다.

가장 진보된 기술조차도 데이터를 효과적으로 필터링하고 처리하고 위험 점수의 의미를 평가하는 데 필요한 전문성과 판단력을 대체할 수 없습니다. 따라서 규칙 기반 기술을 통해 이 문제를 제거했지만 검사 가능성의 부족은 특정 다른 머신 러닝 기반 접근 방식의 단점이 될 수 있습니다.

    2. 콜드 스타트

머신 러닝 모델이 정확해지려면 상당한 양의 데이터가 필요합니다. 대규모 조직의 경우 이 데이터 볼륨은 문제가 되지 않지만 다른 조직의 경우 합법적인 원인과 결과 관계를 식별하기에 충분한 데이터 포인트가 있어야 합니다.

적절한 데이터가 없으면 기계는 잘못된 추론을 학습하고 잘못되거나 관련 없는 사기 평가를 내릴 수 있습니다. 처음에는 기본적인 규칙 세트를 적용하고 기계 학습 모델이 더 많은 데이터로 '워밍업'하도록 하는 것이 종종 더 좋습니다. 우리는 종종 더 작은 데이터 세트에 이 접근 방식을 적용합니다.

    3. 데이터 연결에 대한 무지함

머신 러닝 모델은 액션, 행동 및 활동에 대해 작동합니다. 처음에는 데이터 세트가 작을 때 데이터의 연결을 알아차리지 못합니다. 모델은 두 계정 간의 공유 카드와 같이 명백해 보이는 연결을 간과할 수 있습니다. 이를 해결하기 위해 그래프 네트워크로 모델을 개선합니다.

그래프 기법은 스코어링을 통해 예방된 모든 사기 행위자에 대해 여러 명의 사기 행위자를 찾을 수 있습니다. 그래프 데이터베이스를 사용하면 사기 행위를 취하기 전에 의심스러운 계정과 사기 계정을 차단할 수 있습니다. 다음 이미지는 그래프로 표현된 간단한 구매자 보험 사기 사례를 보여줍니다.

결론적인 생각

보험업은 유구한 역사를 자랑하는 산업입니다. 이는 “기원전 수천년 전부터 시작됐다”고 알려졌는데요(박소정·박지윤, 2017). 역사는 길지만 기술 혁신은 부족했다고 평가받죠. 포브스에 따르면, 미국 온라인 보험회사 레모네이드 CEO 다니엘 슈라이버는 “보험업은 1세기 이상 기술로 크게 건드리지 않았다”라고 말했습니다. 보험연구원에서도 “보험회사의 소극적 대응으로 보험산업 디지털 트랜스포메이션이 더디게 진행됐다”라고 분석한 바 있죠(김규동·김윤진, 2021).

보험회사가 디지털 트랜스포메이션에 소극적인 이유는 뭘까? 보험연구원에 따르면, “보험시장 진입장벽 때문에 신규사업자와 시장 변화로 인한 위기의식이 크지 않았”습니다. “보험판매 과정에서 인공지능(AI), 로보어드바이저 활용은 법규상 근거가 미비해서 보험회사가 쉽게 적용하지 못했다”고 하죠(김규동·김윤진, 2021). 보험업 특수성도 있는데요. 보험 영업은 주로 ‘대면’ 방식입니다. 고객은 설계사를 만나 보험에 가입하죠. 보험 상품이 복잡해서 설명을 직접 듣는 게 좋고요. 설계사는 1회 이상 고객을 대면할 의무가 있죠. 가입 방식에 디지털 요소가 크게 개입하기 어렵습니다.

‘보험업에서 디지털 트랜스포메이션을 꼭 해야 하냐?’라고 반문할 수 있는데요. 이는 보험 가입, 보험금 지급 심사 등을 기존보다 더 빠르게 많이 소화하는 데 도움될 수 있죠. 가입자가 보험사고에 따른 피해를 빨리 회복하는 데 기여할 수도 있습니다. 또 AI를 활용하면 사고조사, 보험사기에서 사람이 놓치는 문제점을 정확히 발견할 수 있고요. 특히 코로나 19 대유행으로 인해 보험업에서 디지털 트랜스포메이션 당위성은 더 높아졌습니다. 가상업무, 원격근무, 비대면 소통은 보험업에서도 ‘뉴노멀’이 됐죠. 보험회사가 생존하려면 이에 맞춰 운영 전략을 새로 짜야 하고요.

​

<출처=셔터스톡>

​

보험업계는 코로나 19 시대에 어떻게 디지털 트랜스포메이션해야 할까? 딜로이트에서는 대응방안을 이렇게 제안합니다. “원격근무 체제로 전환을 뒷받침하기 위해 디지털 역량에 투자한다. 온라인 채널 역량에 집중한다. 실시간 보험료 견적을 제공하는 역량에 투자한다. 챗봇, 가상 도우미, 로봇 등 비접촉 셀프 서비스 강화에 투자한다. 저위험군 인수 심사 자동화를 강화한다. 보험 인수, 가격 책정 모델을 최적화하기 위해 외부 데이터, 분석기술, AI를 활용한다. 원격 보험금 청구 기술에 투자한다. 보험사기 적발과 데이터 활용 능력에 투자해 보험금 지급 심사 기간을 단축한다.”

이중 일부는 보험업계에 이미 도입됐습니다. 특히 AI를 업무에 적용한 사례가 늘었는데요. 일부 보험 업무가 자동화됐죠. 국내에서는 계약 심사(삼성화재), 보험금 지급(한화생명), 보험사기 예측시스템(현대해상)에 AI를 활용합니다. 해외에도 자연재해 위험 예측(제스티.ai), 보험 가입·보험금 지급 신청·심사·사기 탐지(레모네이드), 데이터 관리(하이퍼사이언스), 자동차 사고 수리비 견적(트랙터블), 가격 책정(Akur8)에 AI를 활용한 사례가 많죠. 컴퓨터 비전, 자연어 처리 등이 여기에 쓰이고요.

우리 정부도 규제 개선으로 보험업계 AI 도입을 지원하는데요. 금융위원회에서는 올 상반기 보험회사가 안전장치를 갖추면 설계사의 소비자 대면 의무를 면제하기로 했습니다. AI로 보험 모집도 가능할 전망이고요. 또 AI 음성봇이 사람 대신 전화 설명 의무를 이행하도록 허용하기로 했죠. 올해는 국내 보험업이 ‘AI 트랜스포메이션’을 본격화하는 해가 될 듯한데요. 이번 글에서는 자연재해 위험 예측, 보험 가입·보험금 지급 신청·심사·사기 탐지, 데이터 관리, 자동차 사고 수리비 견적·가격 책정 등에 AI를 활용한 보험 혁신 사례 5가지를 살펴보겠습니다.

​

산불, 홍수 위험 예측…피해 예방 돕는 AI

<1980~1999년, 2000~2019년 자연재해 영향. 출처=유엔 산하 재난위험경감사무국>

​

기후변화는 오늘날 폭풍, 호우, 산불 등 자연재해가 늘어나는 원인으로 꼽힙니다. 유엔 산하 재난위험경감사무국(UNDRR)에 따르면, “2019년 세계 평균 기온이 산업화 이전보다 1.1도 오르면서 폭염·가뭄·홍수·겨울 폭풍·허리케인·산불 등 기상 이변이 더 자주 일어나고 있다”고 하죠. 자연재해에 따른 경제적 피해도 급증했는데요. UNDRR에 따르면, 재해 건수는 1980~1999년 4212건에서 2000~2019년 7348건으로 74.5% 늘었습니다. 같은 기간 경제적 손실은 1조6300억달러(1833조원)에서 2조9700억달러(3340조원)로 82.2% 증가했고요.

앞으로 기후변화는 더 불규칙하게 진행될 수 있다고 하죠. 그만큼 자연재해도, 경제적 피해도 예측불가능한 수준으로 늘어날 테고요. 재해보험으로 이 피해를 보상받을 수 있습니다만. 사후약방문보다 자연재해 위험을 예측하고 대비하는 게 더 좋지 않을까요? 예측 데이터를 토대로 자연재해에 취약한 환경을 개선하면 보험 가입자가 피해를 줄이는 데 도움될 수 있습니다. 보험회사도 복구에 필요한 보험금을 절감할 수 있고요.

 

<제스티.ai 산불 엔진 ‘제트파이어’ 작동 화면. 출처=제스티.ai>

보험업계에서는 이미 AI가 자연재해 위험을 예측하는 데 쓰이고 있습니다. 미국 기업 제스티.ai가 보험회사에 관련 솔루션을 선보이고 있죠. 이 회사는 산불, 우박, 홍수 등 데이터 패턴, 고해상도 항공 이미지, 건물 정보로 ‘자연재해 위험이 건물에 미치는 영향’을 예측합니다. 제스티.ai에는 자연재해별 엔진이 있는데요. 산불 엔진인 제트-파이어(Z-Fire)는 지난 수십년 동안 일어난 1200여 화재 사고 데이터를 학습했죠. 또 방어 공간, 건축 자재, 지붕 물매 등 화재 위험에 영향을 주는 건물 요소를 파악합니다. 이는 컴퓨터 비전, 머신러닝으로 항공 이미지를 분석하고요. 특정 건물과 주변 산불 위험 정보를 알려주죠. 예를 들어, 이미지에서 산불 위험 구역을 여럿 표시하고요. “존 1(Zone 1) 초목 밀도 44%”, “산불 위험 : 높음”, “(건물-숲) 수평선 간 거리 : 42피트” 이렇게 구체적인 산불 위험 정보를 각각 보여줍니다.

홍수 위험도 비슷한 방식으로 측정하는데요. 제트-플러드(Z-Flood)라는 엔진이 여기에 쓰이죠. 이는 홍수 손실 데이터가 있는 건물 데이터를 학습했습니다. 제트-플러드는 컴퓨터 비전, 머신러닝으로 항공 이미지에서 특정 건물과 주변의 홍수 위험 정보를 제공하죠. 예를 들어, 이미지에서 홍수 위험 구역을 여럿 표시하고요. “구획 경사 : 22도” 이런 식으로 구체적인 홍수 위험 정보를 보여주죠. 어떤 건물은 1층을 홍수 위험 구역으로 표시합니다. “1층 높이 : 1.5피트, 지하 : 없음, 차고 : 없음” 이런 식으로 위험 정보를 알려주고요.

AI로 자연재해 위험을 예측하는 솔루션 의의는 이렇습니다. 첫째, 맥킨지에서는 “앞으로 보험은 AI 발전에 힘입어 탐지, 수리보다 ‘예측, 예방’ 영역으로 전환할 거”라고 전망했는데요. 제스티.ai 솔루션도 미래 보험 트렌드와 어울립니다. 둘째, 컴퓨터 비전 기술로 지붕 자재, 형태, 건물 밀집도 등 자연재해 위험에 영향을 주는 각 건물의 세부 요소까지 파악할 수 있고요. 셋째, 컴퓨터 비전 기술은 초목 밀도, 집 주변 간격 등 사람 눈으로 확인하기 어려운 점까지 포착하죠. 넷째, 보험회사에서 원격으로 자연재해 위험과 주변 환경을 조사하는 데에도 도움될 수 있습니다.

 

AI로 해결하는 보험 가입·지급 신청·심사·사기 탐지

<출처=셔터스톡>

앞서 언급했듯 보험 영업은 대부분 대면으로 이뤄집니다. 코로나 19로 비대면 소통이 권장됐지만 지난해 보험 대면 모집 비중은 여전히 압도적이었는데요. 생명보험협회와 손해보험협회에 따르면, 국내 생명보험 초회보험료*와 손해보험 원수보험료**에서 대면 모집 비중은 지난해 12월 31일 기준 각각 98.7%(생보), 88.5%(손보)였죠. 반면에 온라인 판매와 같은 사이버마케팅(CM) 모집 비중은 각각 0.3%(생보), 5.1%(손보)에 그쳤습니다. CM은 텔레마케팅(TM)과 함께 “보험판매 신 채널로 보험유통시장의 주요 채널로 성장할 걸로 예상”됐는데요(안철경·정인영, 2018). 비중은 아직 미미합니다.

여기에는 보험상품 특성도 한 몫 하죠. 보험에 가입할 때, 설계사는 소비자를 대면할 의무가 있고요. 일례로 “생명보험은 손해보험보다 판매자 전문성을 더 중요하게 고려해서 대면 판매 비중이 높다”고 합니다(안철경·정인영, 2018). “CM 채널에서 팔만한 보험상품이 많지 않다”는 지적도 있죠. 그러나 앞으로 보험상품 주요 고객은 밀레니얼 세대나 Z세대고요. 이 세대는 보험을 쉽고 빠르게 가입하려는 수요가 있습니다. 이들 세대가 간편하고 안전하게 보험에 가입하고, 보험금을 신청하는 CM 채널이 필요한 이유죠.

AI를 CM 채널에 접목하면 보험을 쉽고 빠르게 가입하는 데 도움될 수 있습니다. 미국 온라인 보험회사 레모네이드가 그 예인데요. 이 회사는 주택보험, 세입자보험, 반려동물 건강보험, 정기 생명보험을 팔고요. AI로 보험 가입·지급 신청·심사·사기 탐지 등을 자동화합니다. 100% 자동화는 아니고요. 사람이 개입할 때도 있죠. 보험 가입, 보험금 지급 신청에는 챗봇을 활용하는데요. 챗봇 ‘AI 마야’가 보험 가입을 지원하죠. 마야는 고객에게 13가지 질문을 던지며 고객 정보를 모읍니다. 또 보험 커버리지를 개인화하고, 견적을 내며, 결제를 도와주죠. 보험 가입에는 2분 정도 걸립니다.

​

<레모네이드 보험금 지급 신청 챗봇 ‘AI 짐’ 화면. 출처=레모네이드>

​

챗봇 ‘AI 짐’은 보험금 지급을 지원하는데요. 고객에게서 보험금 지급 신청을 받아 심사를 거쳐 이를 지급하거나 거절하죠. 보험금은 최소 3초 안에 지급됩니다. 짐은 지난해 3월 31일 기준 전체 지급 신청 건 96%의 최초 보상 신고를 받았는데요. 이중 3분의 1은 사람 개입없이 보험금을 지급한다고 합니다. 짐은 자신에게 해결 권한이 없거나, 우려되는 지급 신청 건을 사람 전문가에게 맡기는데요. 각 전문가 전문성, 자격, 업무량, 일정을 분석하며 누구에게 이를 할당할지 결정하죠.

보험금 지급 심사 뒷단에는 레모네이드 보험 관리 플랫폼인 ‘블렌더’가 큰 역할을 합니다. 보험금 지급 신청 전문가가 블렌더에 로그인하면 ‘AI 짐’이 그들에게 할당한 모든 보험금 지급 신청 건을 볼 수 있고요. 블렌더는 다음 단계를 위해 지침을 알려주죠. 커버리지 결정, 의심스러운 행동 경고 등이 여기에 포함됩니다. 사용자 행동 패턴, 보험금 지급 신청, 배경 정보, 위험 지표, 보험 이력 정보도 볼 수 있고요. 손해사정을 위해 벤더가 필요하면 블렌더에 업체들이 뜹니다. 버튼 하나를 누르면 이들을 현장에 보내고, 비용도 지불할 수 있고요.

​

<레모네이드 운영 시스템. 출처=레모네이드>

보험사기는 어떻게 탐지할까? 레모네이드는 ‘포렌식 그래프’를 활용하는데요. 여기에는 행동경제학, 빅데이터, AI가 결합돼 있죠. 포렌식 그래프는 방대한 신호를 추적합니다. 사람에게 사소하거나 잘 보이지 않지만 수백만달러 상당의 잠재 손실을 피하도록 돕는 복잡한 다변량 링크를 머신러닝으로 적발하고요. 신호 사이에서 (보험 사기) 관계를 분석하죠. 이로써 보험 사기를 예측하고, 억제하며, 탐지하고, 막습니다. 직원 업무에는 ‘쿠퍼’라는 봇을 활용하는데요. 이는 종이 수표 처리를 돕거나, 각 소프트웨어 공개와 관련해 수만가지 테스트를 자동 실행하죠. 규제 서류에 필요한 자료를 모으고, 서식도 만듭니다. 엔지니어링 업무 할당 대부분, 코드 배포, Q&A 등을 다루고요.

AI 보험 기업 의의는 이렇습니다. 첫째, 코로나 19 이후, 비대면 트렌드에 적합한 판매 채널이고요. 둘째, 자동화로 보험 가입·지급 신청·심사·지급에 걸리는 시간을 줄여주죠. 가입자가 피해를 빨리 회복하는 데 도움될 수 있습니다. 셋째, 아직 AI가 업무를 100% 자동화할 수 있는 건 아닌데요. 사람이 AI가 처리할 수 없는 일에 개입하면서 AI 한계를 보완할 수 있죠. 넷째, AI를 사기 탐지에도 활용하면 사람이 포착하지 못한 이상 징후를 발견할 수 있고요. 다섯째, 보험회사 직원들의 반복되고 복잡한 업무를 도와주면서 업무 효율을 높일 수 있습니다.

*초회보험료 : 보험계약자가 보험료 납입 의무에 따라 최초로 납입하는 보험료

**원수보험료 : 보험회사가 대리점 등을 통해 보험계약을 맺고 보험계약자에게서 받은 보험료

​

보험 데이터 구조화, 머신러닝으로 깔끔하게

<출처=셔터스톡>

레모네이드처럼 AI로 보험 가입과 보험금 지급을 빨리 처리하려면 뭐가 중요할까요? 모델링을 먼저 떠올릴 수 있지만 ‘데이터’가 우선입니다. 미국 AI 기업 하이퍼사이언스 최고운영책임자(COO)인 찰리 뉴와크 프렌치는 비즈니스 리포터 인터뷰에서 “더 나은 데이터는 더 나은 결정을 의미한다”고 말했는데요. 보험업도 마찬가지입니다. 정확한 데이터를 수집하고, 잘 구조화해야 제대로 판단해서 보험 서비스를 신속하게 제공할 수 있죠. 데이터를 구조화한다는 건 “다양한 정보를 담고 있는 콘텐츠를 논리적으로 조직화해 가공한다”*는 의미인데요. 데이터가 부정확하고, 구조화되지 않으면 내용을 올바로 인식하기 어렵습니다. 보험회사에서 가입·보험금 지급 신청을 받아도 제대로 된 의사결정을 못 내릴 수 있고요. 일례로 보험금 지급이 타당해도 이를 거부할 수 있겠죠.

보험회사에서 받는 고객 데이터는 구조화되지 않은 경우가 많습니다. 프렌치 하이퍼사이언스 COO는 비즈니스 리포터 인터뷰에서 “여러 곳에서 구조화되지 않은 데이터가 들어온다”고 설명하는데요. “이메일에 첨부된 PDF 파일에 담긴 하나의 데이터, 전화, 보험회사에 온 우편물” 등이 그 예죠. 그는 보험회사에서 이를 토대로 올바른 의사결정을 내리려면 “구조화되지 않은 데이터를 구조화해야 한다”고 말합니다. “하나의 단일한 장소에 데이터를 둬야”고 하고요. “그동안 여기에는 쓰인 수작업 방식이나 구식 기술로는 불충분하다”고 하죠. 이는 “비싸고 오류가 발생하기 쉽다”고 하고요. 그 결과, “보험증권 발급도, 보험금 지급도 느려졌다”고 합니다.

​

<하이퍼사이언스 보험금 지급 신청 서류 데이터 추출 화면. 출처=하이퍼사이언스>

​

AI는 구조화되지 않은 데이터를 구조화하는 데 도움될 수 있는데요. 하이퍼사이언스는 이런 솔루션을 보험회사에 제공하고 있죠. 이는 보험회사가 AI로 데이터를 분류하고, 이에 기반해 의사결정을 내리는 데 쓰이고 있습니다. 하이퍼사이언스는 머신러닝으로 수십억개 문서에서 데이터를 자동으로 분류하고, 추출하는데요. 보험회사와 고객, 파트너가 매년 주고받는 신청서, 등록 서류, 보험금 지급 신청서 등이 그 대상입니다. 하이퍼사이언스 머신러닝 모델은 손글씨로 쓴 서류, 저해상도 이미지, 왜곡된 이미지 등에서도 데이터를 자동으로 분류하고, 추출할 수 있고요.

이로써 사람만 읽을 수 있는 데이터를 기계도 읽을 수 있는 데이터로 변환합니다. 이게 데이터 구조화 작업이고요. 구조화한 데이터 파일은 더 빠른 처리를 위해 다운스트림 시스템으로 보내죠. 하이퍼사이언스 솔루션도 100% 자동 처리되는 건 아닙니다. ‘표시된 내용’을 확신하기 어려우면 사람 감독자가 개입해서 이를 검토, 해결하죠. 아울러 하이퍼사이언스 시스템이 ‘처리 방법’을 확신하지 못하면 데이터 입력자에게 예외 사례를 보냅니다. 여기에도 사람이 개입해서 내용을 검토하고, 문제를 해결할 수 있고요. 이는 모델 성능을 향상시키는 데 기여하죠.

AI로 보험 데이터를 처리하는 솔루션 의의는 다음과 같은데요. 첫째, 그동안 수작업으로 이뤄지던 서류 분류와 처리가 자동화되면서 시간, 비용, 오류를 줄일 수 있습니다. 둘째, 이로써 직원은 단순 반복 노동에서 벗어나 더 중요한 일에 집중할 수 있죠. 셋째, 보다 정확하고 완전한 데이터를 보장받을 수 있는데요. 넷째, 보험회사는 이를 토대로 위험을 더 잘 평가할 수 있습니다. 보험 가입을 제대로 심사할 수 있고요. 보험금 지급 신청도 잘 처리할 수 있죠. 다섯째, 그 결과, 고객에게 필요한 서비스를 제때 제공할 수 있습니다.

*데이터를 단순한 표(테이블)로 표현하는 데이터베이스인 ‘관계형 데이터베이스’가 구조화된 데이터의 대표 사례

 

자동차 사고 ‘손해사정사’ 된 AI

<출처=셔터스톡>

​

운전자는 차 사고가 나면 적정 수리비가 얼마인지 확신할 수 없어 골머리를 앓곤 합니다. 그동안수리업체, 정비공장마다 수리비 견적 기준이 다르다는 평가가 있었는데요. 운전자 입장에서는 실제 손해 규모보다 과도한 수리비를 내야 할까 봐 신경 쓰이죠. 자동차 보험으로 이를 보전할 수 있습니다만. 수리비 견적이 적정 수준 이상으로 나오면 보험금을 과다 지급할 수 있고요. 이는 보험회사 재정에도 부담을 줄 수 있습니다. 업체마다 수리비 기준을 일관되게 적용하고, 손해 규모에 맞는 적정 수리비를 산출하는 시스템이 필요한 이유죠.

요즘은 AI로 피해물 사진을 분석하면 수리비 견적을 일관되고 정확하게 내는 데 도움된다는데요. 영국 기업 트랙터블이 이 분야 선두주자입니다. 이 회사는 컴퓨터 비전 기술로 피해물 이미지를 분석하는데요. 이들은 사고 차량 이미지 1000만장을 알고리즘에 주입했다고 하죠. 알고리즘이 이미지에서 추출한 데이터를 토대로 손해를 판단하도록 훈련시켰고요. 자동차 제조사와 모델 데이터베이스도 시스템에 주입했습니다. 트랙터블 AI는 수리가 필요한 부분도 확인할 수 있다고 하죠. 수리비 견적을 낼 뿐만 아니라 견적 오류 여부까지 검증할 수 있고요.

​

<트랙터블 ‘AI 에스티메이트’ 화면. 출처=트랙터블>

​

‘AI 에스티메이트(견적)’, ‘AI 리뷰(검토)’가 이 기능을 수행합니다. AI 에스티메이트는 자동차 수리 시스템이 사진을 토대로 사람 개입없이 손해사정 하도록 지원하는데요. AI는 사진 몇 장으로 정확한, 전문가 수준의 손해사정을 실시간 제공하죠. 또 다음 단계를 제안합니다. 작동방식은 다음과 같은데요. 먼저 보험가입자가 플랫폼에 사고 차량 사진을 올립니다. AI 에스티메이트는 컴퓨터 비전 기술로 파손된 부분을 파악하죠. 또 실시간으로 수리비를 예측합니다. 보험금 지급 신청 담당자는 이 손해사정에 근거해 결정을 내리죠.

AI 리뷰는 보험회사나 수리업체가 전체 보험금 지급 절차를 평가하고, 감사하도록 지원하는데요. 여기서 비효율을 확인하고, 부정확한 점을 탐지하도록 돕죠. 작동방식은 이렇습니다. 감정평가사가 보험금 지급 관리 시스템에 견적과 사진을 올리면요. AI 리뷰는 이를 비교하고 수리 작업을 정확히 판단합니다. 예를 들어, ‘차에서 앞날개를 교체해야 하나? 이게 수리될 수 있나?’ 등을 파악하죠. 이로써 보험금을 적정량만 지급하도록 합니다. 부정확한 문제는 따로 표시해서 알려주고요.

AI 손해사정사 의의는 다음과 같습니다. 첫째, 수리비 견적을 업체별로 들쭉날쭉하게 내지 않고 일관성 있게 내는 데 도움될 수 있고요. 단, AI 또한 들쭉날쭉한 기준으로 견적을 낼 가능성이 있을지 모르니 일관성 있게 작동하도록 관리해야 합니다. 둘째, AI는 손해사정, 견적에 걸리는 시간을 몇 분으로 줄일 수 있죠. 셋째, 이로써 보험금 지급 신청도 빨리 처리됩니다. 보험계약자는 피해를 신속히 복구해서 일상으로 돌아갈 수 있고요. 넷째, AI로 수리비 견적을 다시 검토하면 견적 오류를 포착할 수 있죠. 이는 보험회사에서 비용을 절감하고, 보험금 누수를 막는 데 도움됩니다.

 

AI로 보험가격 책정도 정교하게

<출처=셔터스톡>

 

보험계리사는 보험료 계산, 보험상품 개발, 보험료 운용 등에 있어 중요한 역할을 하죠. 이들은 수학, 확률, 통계 방법을 이용해 미래 상황을 토대로 보험 위험률을 측정하고요. 보험, 퇴직연금에 대한 보험료, 보상지급금을 계산해 보험 상품을 개발합니다. 보험연구원에 따르면, 보험계리사는 “미래 보험금을 예측해서 보험료를 결정하고, 수취한 보험료를 보험회사 부채기간에 적합하게 운용”하고요. “보험회사 재무건전성을 유지해 미래에 보험계약자에게 합당한 보험금을 지급하는 업무도 수행”하죠.(김규동, 2018).

보험계리사는 엑셀이나 계리용 소프트웨어 등 도구를 많이 활용합니다만. 앞으로는 보험료를 계산할 때 보다 정교한 도구를 이용해야 할 필요성이 높아지고 있습니다. 시장 환경이 급변하고 있고요. 특히 코로나 19는 우리가 과거에 예측할 수 없었던 방식으로 생활환경, 영업환경을 완전히 바꿨죠. 보험계리사는 이런 변화를 고려해서 보험료를 계산하고, 보험상품을 개발할 텐데요. 이같은 시장환경 변화에 민첩하게 대응하려면 시장을 빠르게 분석, 예측할 수 있어야 하겠죠. 위험률은 신속히 측정하고요. 이를 반영해서 시장에 바뀐 보험료를 시의적절하게 적용하는 게 좋습니다.

​

<Akur8 솔루션 작동 화면. 출처=Akur8>

​

요즘은 AI가 보험료율 모델링 자동화로 이를 지원할 수 있다고 하는데요. 프랑스 인슈어테크(보험+IT) 기업 Akur8(애큐레이트)가 해당 솔루션을 선보이고 있습니다. Akur8는 보험회사에 AI 기반 가격 책정 자동화와 최적화를 지원하는데요. 이 회사 기술은 기존 보험 통계 모델링과 데이터 과학을 결합했습니다. ‘일반화가법모형(Generalized Additive Models)’과 ‘일반화선형모험(Generalized Linear Models)’ 등 보험계리사가 알고, 사용하는 모델을 토대로 생산 준비가 된 모델을 만들죠.

이 회사 솔루션은 위험 모델링, 시장 분석이 가능하고요. 특히 시장 트렌드나 시장 가격 민감도, 가격이 수요에 미치는 영향 등을 분석할 수 있죠. 모델링이 전보다 빨리 이뤄져서 가격을 시장에 내놓는 속도도 더 높일 수 있다고 합니다. 보험회사에서 손해율을 2~4% 낮춰 수익성을 개선하는 데도 도움된다고 하죠. 아울러 Akur8는 ‘트랜스페어런트 AI’라는 자체 기술로 구동하는 알고리즘을 쓰는데요. 이 알고리즘이 보험료율 모델링 속도와 성능, 투명성을 높인다고 합니다. 특히 알고리즘 투명성은 이 회사 차별화 요소고요.

AI 기반 가격책정 자동화 솔루션 의의는 이렇습니다. 첫째, 신속한 모델링으로 의사결정 속도를 높일 수 있고요. 둘째, 시장에 가격 대응하는 데 걸리는 시간을 줄일 수 있죠. 결과도 빠르게 테스트할 수 있고요. 셋째, 위험률과 시장환경을 고려해 가격을 맞춤형으로 책정할 수 있고요. 넷째, 전략적으로 가격을 책정하면 시장에서 역선택 당할 위험을 덜 수 있습니다. 다섯째, 보험회사 가격 책정 팀의 생산성을 높이는 데 도움될 수 있겠죠.

 

마무리하며

지금까지 자연재해 위험 예측, 보험 가입·보험금 지급 신청·심사·사기 탐지, 데이터 관리, 자동차 사고 수리비 견적·가격 책정 등에 AI를 활용한 보험 혁신 사례 5가지를 살펴봤는데요. 이번 글의 요점은 다음과 같습니다.

1.보험회사는 그동안 디지털 트랜스포메이션에 소극적이었다는 평가를 받았습니다. 보험시장 진입장벽 때문에 신규사업자와 시장 변화로 인한 위기의식이 크지 않았다고 하고요. 보험판매 과정에서 AI, 로보어드바이저 활용은 법규상 근거가 미비해서 보험회사가 쉽게 적용하지 못했다고 하죠.

​

2.보험업 특수성 문제도 있는데요. 보험 영업은 주로 ‘대면’ 방식입니다. 보험 상품은 복잡하기 때문에 설계사를 만나서 설명을 직접 듣고 가입하는 게 좋죠. 설계사는 1회 이상 고객을 대면할 의무가 있고요. 그동안 가입 방식에 디지털 요소가 크게 개입하기 어려웠습니다.

​

3.그러나 기술 기반 자동화 등 디지털 트랜스포메이션을 운영에 접목하면 이점도 많은데요. 이는 보험 가입, 보험금 지급 심사 등을 기존보다 더 빠르게 많이 소화하는 데 도움될 수 있습니다. AI를 활용하면 사고조사, 보험사기에서 사람이 놓치는 문제점을 정확히 발견할 수 있고요. 가입자가 보험사고 피해를 빨리 회복하는 데 기여할 수도 있죠.

​

4.코로나 19 대유행으로 인해 보험업에서도 디지털 트랜스포메이션 당위성은 더 높아지고 있습니다. 가상업무, 원격근무, 비대면 소통은 보험업에서도 ‘뉴노멀’이 됐고요. 보험회사가 생존하려면 이에 맞춰 운영 전략을 새로 짜야 하죠.

​

5.딜로이트에서는 코로나 19 이후 보험업계 디지털 대응방안을 이렇게 제안하는데요. “원격근무 체제로 전환을 뒷받침하기 위해 디지털 역량에 투자한다. 온라인 채널 역량에 집중한다. 실시간 보험료 견적을 제공하는 역량에 투자한다. 챗봇, 가상 도우미, 로봇 등 비접촉 셀프 서비스 강화에 투자한다. 저위험군 인수 심사 자동화를 강화한다. 보험 인수, 가격 책정 모델을 최적화하기 위해 외부 데이터, 분석기술, AI를 활용한다. 원격 보험금 청구 기술에 투자한다. 보험사기 적발과 데이터 활용 능력에 투자해 보험금 지급 심사 기간을 단축한다.”

​

6.이중 일부는 보험업계에 이미 도입됐습니다. 보험업계 디지털 트랜스포메이션에서 AI 역할이 눈에 띄는데요. 자연재해 위험 예측(제스티.ai), 보험 가입·보험금 지급 신청·심사·사기 탐지(레모네이드), 데이터 관리(하이퍼사이언스), 자동차 사고 수리비 견적(트랙터블), 가격 책정(Akur8)에 AI를 활용한 사례가 많죠. 컴퓨터 비전, 자연어 처리 등이 여기에 쓰이고요.

​

7.미국 기업 제스티.ai는 산불, 우박, 홍수 등 데이터 패턴, 고해상도 항공 이미지, 건물 정보로 ‘자연재해 위험이 건물에 미치는 영향’을 예측합니다. 산불 엔진인 제트-파이어(Z-Fire)는 지난 수십년 동안 일어난 1200여 화재 사고 데이터를 학습했죠. 또 방어 공간, 건축 자재, 지붕 물매 등 화재 위험에 영향을 주는 건물 요소를 파악합니다. 이는 컴퓨터 비전, 머신러닝으로 항공 이미지를 분석하고요. 특정 건물과 주변 산불 위험 정보를 알려주죠.

​

8.미국 온라인 보험회사 레모네이드는 AI 보험 기업 선두주자인데요. 이 회사는 주택보험, 세입자보험, 반려동물 건강보험, 정기 생명보험을 팝니다. 또 AI로 보험 가입·지급 신청·심사·사기 탐지 등을 자동화하고요. 100% 자동화는 아니고, 사람이 개입할 때도 있습니다. 이들은 보험 가입, 보험금 지급 신청에는 챗봇을 활용하고요. 사기 탐지에는 머신러닝이 주효한 역할을 하죠. 내부에서는 종이 수표 처리나 엔지니어링 업무 할당, 코드 배포 등 직원 업무에도 봇을 이용합니다.

​

9.미국 기업 하이퍼사이언스는 보험회사가 AI로 데이터를 분류하고, 이에 기반해 의사결정을 내리도록 지원합니다. 이 회사는 머신러닝으로 신청서, 등록 서류, 보험금 지급 신청서 등 수십억개 문서에서 데이터를 자동으로 분류하고, 추출하는데요. 손글씨로 쓴 서류, 저해상도 이미지, 왜곡된 이미지 등에서도 데이터를 추출할 수 있죠. 사람만 읽을 수 있는 데이터를 기계도 읽을 수 있는 데이터로 변환합니다. 이같은 데이터 구조화 작업은 보험회사에서 가입 신청, 보험금 지급 심사를 빠르고 정확하게 처리하는 데 도움될 수 있죠.

​

10.영국 기업 트랙터블은 컴퓨터 비전 기술로 자동차 사고 피해물 이미지를 분석해서 수리비 견적을 내는데요. AI는 이미지에서 수리가 필요한 부분도 확인할 수 있습니다. 아울러 수리비 견적에서 오류 여부까지 검증할 수 있고요. 이들은 사고 차량 이미지 1000만장을 알고리즘에 주입했죠. 알고리즘이 이미지에서 추출한 데이터를 토대로 손해를 판단하도록 훈련시켰고요.

​

11.프랑스 인슈어테크 기업 Akur8(애큐레이트)는 보험회사에 AI 기반 가격 책정 자동화와 최적화를 지원합니다. 이 회사 기술은 기존 보험 통계 모델링과 데이터 과학을 결합했고요. 위험 모델링, 시장 분석이 가능하죠. 특히 시장 트렌드나 시장 가격 민감도, 가격이 수요에 미치는 영향 등을 분석할 수 있습니다. 모델링이 전보다 빨리 이뤄지면서 가격을 시장에 내놓는 속도도 더 높일 수 있고요. 보험회사에서 손해율을 2~4% 낮추는 데도 도움될 수 있다고 합니다.

​

12.올해는 국내 보험업계가 ‘AI 트랜스포메이션’을 본격화하는 해가 될 듯한데요. 우리 정부도 규제 개선으로 보험업계에서 AI 도입을 확대할 수 있도록 지원하고 있습니다. 금융위원회에서는 올 상반기 보험회사가 안전장치를 갖추면 설계사의 소비자 대면 의무를 면제하기로 했고요. AI로 보험 모집도 가능할 전망입니다. 아울러 AI 음성봇이 사람 대신 전화 설명 의무를 이행하도록 허용하기로 했고요.