Car damage analysis for insurance market using convolutional neural networks
Sigorta sektörü için evrişimsel sinir ağları kullanarak araç hasarı analizi
- Tez No: 558788
- Danışmanlar: DOÇ. DR. TOLGA KAYA
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İşletme Mühendisliği Bilim Dalı
- Sayfa Sayısı: 87
Özet
SİGORTA SEKTÖRÜ İÇİN EVRİŞİMSEL SİNİR AĞLARI KULLANARAK ARAÇ HASARI ANALİZİ Yapay zeka, bilgisayar biliminin bir alt dalı olarak insanlara yardım için; teorileri, yöntemleri, algoritmaları ve uygulamaları geliştirmeyi amaçlayan bir teknolojidir. Yapay zeka çözümleri, sistem problemlerini doğrudan algılayarak kendi başlarına problemleri nasıl çözeceklerini öğrenir. Yapay zeka çözümleri, verilen görevleri yerine getirmek için veriden öğrenmeyi bilen ve insan zekasını ve yeteneklerini simüle eden, deneyimlerden çıkarım yapmayı içeren zengin bir algoritma setidir. Yapay zekanın nihai amacı, bulunduğu sistemin çok akıllı bir şekilde hareket etmesini sağlayan bir teknoloji oluşturmaktır. Yapay zeka içerisinde, makine öğrenimi; bilgisayarlı görüntü algılama, konuşma tanıma, doğal dil işleme, robot kontrolü ve diğer uygulamalar için pratik yazılımlar geliştirmek için tercih edilen yöntem olarak ortaya çıkmıştır. En yeni makine öğrenme yöntemleri, e-postaların spam sınıflandırıcıları, görüntülerin yüz tanıyıcıları ve hastalar için tıbbi tanı sistemlerinde kullanılmaktadır ve her biri girdilerinin basit parametrelerle işlevini hesaplayan çok katmanlı ağı olan derin ağların bir parçasıdır. Evrişimsel Sinir Ağları (CNN'ler), öncelikle görüntüleri sınıflandırmak, benzerlikleri ile kümelemek ve görüntülerde nesne tanıma yapmak için kullanılan derin yapay sinir ağlarıdır. Yüzleri, bireyleri, sokak işaretlerini, tümörleri, örnekleri ve görsel verinin diğer birçok yönünü tanımlayabilen algoritmalardır. Evrişimsel Sinir Ağlarının, özellikle 2010 yılında itibaren gerçekleştirilmekte olan uluslararası görsel tanıma yarışmaları ile hızla geliştiğini ve bu gelişime paralel olarak sadece obje tanıma alanında değil yapay sinir ağları ile ilgili birçok ihtiyaç alanında da kullanılmak üzere geliştirilmekte olduğunu inceledik. Bu yarışmalarda test edilen modeller ile ilgili bilimsel çalışmaları analiz ederek, hangi alanlarda gelişim gösterdiklerini ve yaşanan hangi problemlere çözüm sunmak üzere oluşturulduklarını öğrendik. Bu çalışmada, CNN'leri bir otomobilin hasarlı alanlarını tespit etmek ve ardından tespit edilen alanın hasar seviyesini sınıflandırmak için bir yapay zeka modeli olarak kullandık. Zarar görmüş alanı ve görüntülerini kullanarak belirli bir otomobilin hasar seviyesini anlamak için birlikte nesne algılama ve sınıflandırma modellerini kullandığımız iki aşamalı bir yaklaşımı benimsedik. Modelimizin ilk adımı iki farklı nesne algılama modeline dayanıyor. Seçim kriterlerimiz modelin doğruluğu ve sigortacılık endüstrisinde uygulanabilirliği idi. Çalışmamızın ikinci basamağı, tespit edilen hasar alanlarını hasar seviyesine göre tespit etmeyi hedeflediğimiz sınıflandırma modellerine dayanmaktadır. Deneylerimiz sırasında sınıflandırma modelinde, doğruluk açısından iyi performans göstermeyen iki farklı sınıf için veri setimizi yeni görüntülerle genişletmeye çalıştık. Her iki deneyi, her iki veri modeli için test edip, sonuçları karşılaştırarak sigortacılık sektörü için oluşturulabilecek bir çözümün oluşturulmasını sağladık. Çalışmamızda CNN'lerin yapısına, gelişimlerine ve mimarilerini detaylı olarak inceleyerek, farklı kullanım alanları için kullanılabilecek CNN modelleri arasındaki farklılıkları anlamaya özen gösterdik. Bu sayede her eğitilmiş modelin hangi tür problemler için uygun olacağı konusunda hem teorik hem de yaptığımız deneyler aracılığı ile pratik bilgi sahibi olmayı amaçladık. Özellikle MobileNet gibi CNN modellerinin doğruluk açısından performanslarının benzer modeller ile karşılaştırılması fırsatı oluşturmayı hedefledik. MobileNet'in hızlı eğitilebilmesi ve daha az kaynak kullanmasının, diğer modellere göre doğruluk bazında ne ölçüde kayıplara yol açtığını gözlemledik. Bu sayede frklı arayüzler üzerinde gerçekleştirilebilecek yapay zeka modellerine yönelik performans için gözlemlerimiz oldu. Obje tanıma modeli için iki farklı model kullandık. Faster R-CNN ve SSD. Bu modellerin seçiminde ve kullanımında daha önce gerçekleştirilmiş olan akademik makalelerdeki örnek veri kümeleri ile ilgili sonuçları inceledik. İncelemelerimiz çerçevesinde, kendi oluşturduğumuz veri setine uygun kurulum ayarlarını hazırlayarak obje tanıma deneylerimizi gerçekleştirdik. Bu iki model üzerinden geçirdiğimiz veri seti ile görsellerdeki araç bölgelerini tespit ettik. Çalışmamızda üç hasar bölgesi üzerinde modelleri eğittik ve deneylerimiz yaptık. Modelimiz, ilgili araç bölgesini belirli bir doğruluk payı ile tanımanın yanı sıra, tespit edilen bölgeyi resmin geri kalanından ayırarak; sınıflandırma modeli için hazırlık yapmamıza yardımcı oldu. Sınıflandırma deneylerimiz için ise Inception v3 ve MobileNet eğitilmiş modelleri üzerinde çalıştık. Yaptığımız deneylerde farklı hasar bölgeleri için sonuçlar elde ettik ve bu sonuçları hata matrisi yaklaşımı ile analiz ettik. Yaptığımız analizlerde bazı hasar bölgeleri için Inception v3 bazlı modelin, bazı hasar seviyeleri için de MobileNET bazlı modelin hasar seviyesi tespiti için daha etkin çalıştığını gözlemledik. Özellikle düşük hasar seviyesi sınıfındaki sonuçların iyileştirilmesi amacı ile gerçekleştirdiğimiz deneylerde de benzer sonuçlar aldık. Rekabet seviyesi arttıkça, görüntü tabanlı araç talep işleme, sigorta sektöründe özellikle küçük ama daha sık sigorta taleplerinin ele alınmasında önemli bir rol oynamaktadır. Çalışmanın sonuçları çerçevesinde ele aldığımız dikey çözüm yaklaşımında verinin sayısının ve kalitesinin çok önemli olduğunu gözlemledik. Bu çalışma elde ettiğimiz sonuçların daha iyi veri kümeleri oluşturabilmek için imkân sağlayan yapay zeka destekli bir uygulamaya dönüştürülmesini öngörmekteyiz. Sonuçlarımız bize CNN'lerin nesne algılama ve sınıflandırma çalışmaları için verimli modeller oluşturduğunu göstermektedir. İş ihtiyaçlarına dayanarak, önceden eğitilmiş farklı modelleri deneyebilir ve önceden hazırlanmış bu modeller yardımı ile kendi modelimizi eğitebiliriz. Sigorta gibi sektörlerde, iyi müşteri hizmetini sürdürürken maliyetleri mümkün olduğunca düşük tutmak için verimli sistemler kullanmak çok önemlidir. Benzer sektörlerde çalışan kuruluşların CNN'ler yardımıyla kendi modellerini yaratma yetenekleri gözlemlenmektedir. Gerçekleştirdiğimiz çalışmadan sonraki aşamalarda farklı CNN modellerinin kullanılarak özellikle sigorta sektöründeki hasar maliyeti tahmin çalışmalarının farklı bakış açıları ile yeniden değerlendirilmesinin gerekli olduğunu düşünüyoruz. Hasar tespit sürecinin müşteri, sigorta şirketi ve hasarı onaran servis şirketi arasında geçen sürecin detaylı analizi ile benzer yapay zeka uygulamalarının doğrudan veya ilişkili olarak farklı ara yüzlerde devreye alınmasının mümkün olacağını gözlemliyoruz. Özellikle veri açısından sıkıntı yaşamayan sigorta şirketlerinin veri kalitesini artırmak ve yapay zeka modellerinin iyi sonuçlar verebileceği düzeye getirmesinin sonraki çalışmalar açısından kritik olduğunu düşünüyoruz. Tüketicilerin yaşadığı problemlerin minimize edilerek, sürecin hızlandırılmasına yönelik çalışmalarda yapay zeka uygulamalarının ve de evrişimsel sinir ağlarının etkin biçimde kullanılabileceğini öngörüyoruz.
Özet (Çeviri)
CAR DAMAGE ANALYSIS FOR INSURANCE MARKET USING CONVOLUTIONAL NEURAL NETWORKS Artificial intelligence (AI) is a branch of computer science and technology aimed at developing the theories, methods, algorithms, and applications for assisting humans. AI helps people giving systems the problems directly and the systems learn how to solve them on their own. AI solutions are a rich set of algorithms used to perform AI tasks, applicable to perception and cognition that involve learning from data and experiences simulating human intelligence and capabilities. The ultimate goal of AI is to create technology that allows system to act in a highly intelligent manner. Within artificial intelligence (AI), machine learning has come to the fore as the method of choice for developing practical software for computer vision, speech recognition, natural language processing, robot control, and other applications. The latest machine learning methods involve supervised learning systems like spam classifiers of e-mail, face recognizers over images, and medical diagnosis systems for patients; and they are a part of deep networks, which are multilayer networks of threshold units, each of which computes some simple parameterized function of its inputs. Convolutional neural networks (CNNs) are deep artificial neural networks that are used primarily to classify images, cluster them by similarity, and perform object recognition within scenes. They are algorithms that can identify faces, individuals, street signs, tumors, platypuses and many other aspects of visual data. With these capabilities of CNNs, different sectors use these models for different use cases to automate the processes which bring value by increasing the efficiency of the process. CNNs are enabling major advances in computer vision (CV), which has various applications for self-driving cars, robotics, drones, security, medical diagnoses, and treatments for the visually impaired As the level of competition increases, image-based vehicle claim processing is gaining an important role in the insurance industry especially in handling small but more frequent insurance claims. Considering these in this study, we used CNNs as a base for detecting the damaged areas of a car and then for classification of damage level of the detected area. We have used a two-step approach where we have used object detection and classification models together to understand the damaged area and the level of damage of a specific car using its images. The first step of our model is based on two different object detection models. Our selection criteria for these models is the accuracy of the model and the applicability in our usecase for the insurance industry. The second step of our study is based on classification models where we aim to classify the detected damage areas according to the level of damage (no damage, minor damage, and severe damage). In the classification model, we have also tried to extend our data set with new images for two different classes that are not performing well in terms of accuracy. Our results show us that CNNs performs a good model for object detection and classification models. Based on the usecase, we can try different pre-trained models and train our own model with the help of these pre-trained models. In industries like insurance, it is very important to operate efficient systems to keep the costs as low as possible while maintaining good customer service.
Benzer Tezler
- Kredi kartları riskleri ve güvenlik önlemlerinin sigortacılık açısından incelenmesi
Research on the risks of credit cards and security implementations in the view of insurance
AYŞEGÜL BÖLÜKBAŞI
- Karar ağaçları ve yapay sinir ağları kullanarak kasko sigortalarında risk değerlendirme
Risk assessment in car insurance using decision trees and artificial neural networks
MERVE ŞAHİN
Yüksek Lisans
Türkçe
2018
SigortacılıkYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. GÜLHAYAT GÖLBAŞI ŞİMŞEK
- Konteyner gemilerin yatırım analizi
Başlık çevirisi yok
NEDİM SUKAS
Yüksek Lisans
Türkçe
1998
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. A. YÜCEL ODABAŞI
- Araç sigortalarında IBNR hesaplanması üzerine bir çalışma
A study on IBNR calculation for car in insurance
SEDA DURUSOY
- Protecting cost of claims from exchange rate shocks in insurance sector
Sigorta sektöründe kasko hasar maliyetinin döviz kur şoklarından korunması
İSMAİL TELCİ
Yüksek Lisans
İngilizce
2018
Sigortacılıkİstanbul Bilgi ÜniversitesiFinans Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GENCO FAS