یادگیری عمیق بازگشتی

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.