ارائه مدلی برای پیش بینی فرایندهای سازمان تأمین اجتماعی با استفاده از یادگیری عمیق بازگشتی
آرشیو
چکیده
هدف: دستاوردهای اخیر در هوش مصنوعی، فرصت های جدیدی را در بیمه های اجتماعی ایجاد کرده تا خدمات متناسب با تکیه بر دانش جدید به بیمه شدگان ارائه گردد. با این حال، صنعت بیمه های اجتماعی برای استفاده از هوش مصنوعی با چالش های مهمی از جمله داده های ناهمگن، توزیع نامتوازن داده ها در دسته های مورد پیش بینی، نرخ پایین تخصیص هر داده به یک دسته و وجود ویژگی های فراوان در یک فرایند روبرو است. هدف مطالعه حاضر ارائه روشی کارآمد برای پیش بینی فرایندهای بیمه های اجتماعی است تا با توجه به چالش های داده های ناهمگن، نامتوازن و با ویژگی های فراوان، بتواند نتایج دقیق و بهینه تری را در پیش بینی نتایج فرایندهای بیمه ای ارائه دهد. روش: در این پژوهش، روشی نوین مبتنی بر شبکه های یادگیری عمیق بازگشتی با ساختار حافظه بلند -کوتاه مدت (LSTM) و بهره گیری از مراحل پیش پردازش داده و تقسیم بندی داده ها به دسته های واحد A، برای مقابله با چالش های موجود ارائه شده است. هدف اصلی این روش، بهبود دقت پیش بینی فرایندهای بیمه های اجتماعی با هزینه محاسباتی کمتر و با تکیه بر سوابق گذشته فرایندها است. یافته ها: روش پیشنهادی با داده های حقیقی سازمان تأمین اجتماعی ایران شبیه سازی شده و نتایج نشان می دهد که استفاده از روش ارائه شده، میزان استفاده از منابع مصرفی شامل حافظه و مقدار استفاده از واحد پردازشگر مرکزی را به میزان بسیار جزئی افزایش داده ولی میزان خطا، نسبت به دو روش مورد مقایسه، با کاهش چشمگیری مواجه شده است. همچنین کاهش خطا حتی با داده های کمتر در مرحله آموزش یادگیری عمیق، از دستاوردهای روش پیشنهادی نیز است. نتیجه گیری : روش ارائه شده، توانسته است با حفظ صرفه جویی نسبی در منابع پردازشی، دقت پیش بینی را به شکل چشمگیری افزایش دهد و کاهش خطا را تسریع کند؛ بنابراین این مدل برای پیش بینی فرایندهای بیمه های اجتماعی، گزینه ای مناسب و اثربخش به شمار می رود و قابلیت استفاده در سازمان های بیمه ای برای هوشمندسازی و بهبود عملکرد را دارد.A Model for Predicting Social Security Organization Processes Using Recurrent Deep Learning
Objective: Recent advancements in artificial intelligence have created new opportunities in social insurance, enabling the provision of tailored services based on novel knowledge to the insured. However, the social insurance industry faces significant challenges in utilizing AI, including heterogeneous data, imbalanced data distribution across prediction classes, low assignment rates of data points to specific categories, and the presence of numerous features in a process. This study aims to present an efficient method for predicting social insurance processes that addresses the challenges of heterogeneous, imbalanced, and high-dimensional data to deliver more accurate and optimized prediction results. Method: This research proposes a novel approach based on recurrent deep learning networks with a Long Short-Term Memory (LSTM) architecture. The method incorporates data preprocessing stages and segmentation of data into unit categories (A) to overcome existing challenges. The main objective is to improve prediction accuracy of social insurance processes with reduced computational cost, relying on historical process records. Findings: The proposed method was simulated using real data from the Iranian Social Security Organization. Results indicate that while the approach slightly increases resource consumption, including memory usage and CPU utilization, it significantly reduces prediction errors compared to two benchmark methods. Moreover, error reduction was achieved even with fewer data samples during the deep learning training phase, highlighting another advantage of the proposed method. Conclusion: The presented method substantially enhances prediction accuracy and accelerates error reduction while maintaining relative savings in computational resources. Therefore, this model represents an effective and suitable option for predicting social insurance processes, with strong potential for deployment in insurance organizations to enable intelligent automation and improve operational performance.
تبلیغات
