面對金融詐騙手法層出不窮，壽險業如何在保障保戶權益的同時，兼顧營運效率與資料隱私，已成為產業發展的重大課題。新光人壽近日宣布，使用 Amazon Web Services （AWS）導入「聯合學習」（Federated Learning）技術，結合 AI 與合成資料（Synthetic Data）應用，打造跨機構共享的保險理賠風險聯防機制，以強化詐欺偵測、落實公平待客原則，並提升整體保險業的防詐能量。
金融防詐挑戰加劇 保險業風險聯防迫在眉睫
根據《全球金融犯罪報告》指出，2023 年全球因金融詐欺造成的損失超過 4,856 億美元，金融機構正面臨日益嚴峻的風險。保險詐欺行為不僅侵蝕產業信任基礎，更導致正常保戶的權益受損，衍生市場不公平競爭。傳統的詐欺偵測模式多依賴單一機構的數據，容易出現過度擬合、偵測效果不足，以及無法及時捕捉跨機構的詐欺模式等問題。新光人壽副總經理廖晨旭表示：「商業保險是社會安全網的第二層防護，如何在個資嚴格保護的前提下，共享理賠樣態、建置聯防機制，對保護保戶權益至關重要。我們希望透過與 AWS 的合作，推動聯合學習技術，讓壽險業能共同建立更公平、更高效、更安全的理賠服務。」
聯合學習：以隱私保護為核心的協作式 AI 模型
聯合學習是一種新興的分散式機器學習技術，其核心在於「數據不出門，智慧能共享」。與傳統需集中所有資料再進行訓練的方式不同，聯合學習允許各參與單位保留原始資料在本地端，僅將模型參數（權重）進行聚合，既保護了資料隱私，也能透過跨機構協作提升 AI 模型的準確性與普適性。
其四大關鍵特性包括：
- 資料隱私保護：原始資料永不離開在地環境，有效降低外洩風險。
- 去中心化訓練：每個節點獨立訓練在地模型。
- 模型參數聚合：僅分享模型權重，不交換個資。
- 協作式學習：透過多方模型聚合，提升整體準確率。
AWS 架構師 James 也指出：「金融詐騙手法變化快速，如果各機構資訊孤島化，往往難以及時防堵。透過 AWS SageMaker AI 與 Flower 聯邦學習框架，業界能在遵循 GDPR、HIPAA 等國際隱私法規的同時，快速建立跨機構共享的 AI 模型，協助金融業者及早發現潛在風險。」
合成資料與公平評估：打造更穩健的防詐模型
為解決金融資料敏感且不易共享的挑戰，新光人壽與 AWS 也導入 Synthetic Data Vault (SDV) 技術產生合成數據。此技術能模擬真實世界的詐欺樣態，並捕捉複雜的統計關係，在保護個資的前提下，協助模型訓練與驗證。
此外，為確保 AI 模型在不同機構間的公平性與一致性，團隊採取「多資料集交叉評估」策略：即由不同保險公司提供的資料集交叉驗證模型表現，避免過度依賴單一來源數據。這不僅提高模型的泛化能力，也能更準確地偵測新型詐欺手法。
實證成果：效率提升與誤報率下降
透過 AWS SageMaker AI 與 Flower 框架的實證應用，新光人壽觀察到以下成效：
- 降低誤報率：讓詐欺分析師能更專注於高風險案件，減少資源浪費。
- 強化理賠效率：低風險客戶可獲得更快速的理賠審核，提升服務體驗。
- 提升偵測準確率：跨機構模型能捕捉更多樣化的詐欺模式，降低漏判風險。
- 落實公平待客：透過共享樣態與 AI 模型強化，確保不同規模機構的保戶皆能獲得一致的保障。
產業意義與未來展望
AWS 資深架構師 Ray 進一步說明：在 SageMaker 上整合 Flower 聯合學習框架，能讓各金融機構在保護隱私的同時協作訓練模型，避免敏感資料傳輸風險。加上合成資料的應用，不僅提升模型效能，也大幅降低工程與合規挑戰。
在資訊系統落差明顯的壽險業，聯合學習的導入不僅提升了詐欺防治能力，更推動產業邁向數位共榮的未來。未來，這一技術有望與「理賠聯盟鏈」、「犯防中心」、「保發中心」等第三方平台進一步整合，建立跨業、跨機構的保險犯罪防護網。
新光人壽強調，未來將持續優化合成資料技術，並擴大參與聯合學習的業界夥伴，進一步提升金融防詐的準確度與韌性，為保戶提供更安心的保險保障。
