Interpretierbares maschinelles Lernen am Beispiel der Betrugserkennung - Data Science Challenge Siegervortrag

Die Erkennung betrügerischer Schadensmeldungen kann nicht nur die Kosten für den Versicherer, sondern auch die Höhe der Beiträge der Kunden senken. Um das Kosten-Nutzen-Verhältnis der Erkennungsmaßnahmen zu verbessern und insbesondere die Erkennungsrate zu erhöhen, werden vermehrt Machine Learning (ML)-Ansätze zur Betrugserkennung verwendet bzw. bestehende Verfahren mit ML-Komponenten angereichert. Um hierbei die Akzeptanz der verwendeten Methoden, denen als Black-Box-Modelle oftmals Skepsis oder sogar Ablehnung entgegengebracht wird, zu erhöhen und gleichzeitig wertvolle Anhaltspunkte für den Sachbearbeiter oder Betrugsspezialisten für die weitere Untersuchung zu liefern, können Erklärbarkeitsansätze hilfreich sein. In der Arbeit wird die Erklärbarkeitsmethode LIME (Local Interpretable Model Agnostic Explanations) für die Erläuterung des Betrugsverdachts von ML-Modellen verwendet. Zur Veranschaulichung und zum Vergleich werden zwei Modelle, ein interpretierbares und ein a priori nicht interpretierbares, trainiert und dann LIME auf beide Modelle angewendet. Für die Unterstützung von Sachbearbeitern/Betrugsspezialisten scheint die erklärende Methode angemessen. Bei der Behandlung von dummycodierten Merkmalen sowie bei der Abhängigkeit von Hyperparametern können Verbesserungen vorgenommen werden.