Wykrywanie oszustw za pomocą sztucznej inteligencji

Wprowadzenie

Trōv jest światowym liderem w branży ubezpieczeń wbudowanych, przyczyniającym się do rozwoju cyfrowej dystrybucji ubezpieczeń i popularyzacji mobilności. Solidna platforma insurtech Trōv umożliwia instytucjom finansowym i firmom ubezpieczeniowym łatwe osadzanie produktów ubezpieczeniowych w innych cyfrowych rozwiązaniach, aby zwiększyć powtarzalność przychodów.

Wyzwanie

Firmy ubezpieczeniowe potrzebują od kilku do kilku tygodni na rozpatrzenie roszczenia, a mimo tego nadal nie udało im się wyeliminować wyłudzeń. Najczęstsze problemy to zniszczenie mienia, oszustwa związane z ubezpieczeniem samochodu, wynajmem oraz zwierzętami domowymi. Starannie dobrane modele mogą pomóc w skutecznym wykrywaniu oszustw. Celem naszego klienta była automatyzacja wykrywania oszustw oraz zapobieganie stratom i szkodom związanym z wyłudzeniami przed wypłatą roszczeń i dokonaniem szkód w systemie. Klient chciał również skrócić czas rozpatrywania roszczeń i przyspieszyć wypłacanie odszkodowań uczciwym klientom.

Rozwiązanie

Nasz zespół zbudował skuteczny system wykrywania oszustw w oparciu o sztuczną inteligencję i techniki statystyczne.

W pierwszym etapie, przed zebraniem etykietowanych danych, zespół Data Science wykorzystał metodę nienadzorowanego grupowania w celu zidentyfikowania podejrzanych grup użytkowników. Zebraliśmy wszystkie istotne dane sygnalizujące potencjalnie podejrzanych klientów, wykorzystując sprawdzanie tożsamości, ostrzeżenia dotyczące PEP/Sanctions/Deceased, ostrzeżenia dotyczące linków do przesyłania dalej, ryzyko związane z adresami e-mail i urządzeniami mobilnymi, ocenę kart kredytowych itp. Ponadto zastosowaliśmy także inżynierię cech, wykorzystując wiedzę o domenie do ręcznego tworzenia nowych, ważnych cech, które mogą mieć wpływ na identyfikację oszustów.

Na późniejszych etapach rozwoju, po zebraniu zbioru etykietowanych danych, zespół Avenga zastosował metodę nadzorowanego uczenia maszynowego w celu tworzenia przewidywanych parametrów oszustw, by zwiększyć dokładność systemu wykrywania wyłudzeń. Wykorzystaliśmy sieci neuronowe, które mogą uczyć się podejrzanych wzorców na podstawie próbek i później wykrywać je w nowych przypadkach.

Rezulaty

Analiza wykrywania wyłudzeń pomogła zminimalizować liczbę oszustw, udoskonalić system udzielania gwarancji i usprawnić zarządzanie ryzykiem.

Korzyści dla klienta::

• Automatyczne wykrywanie oszustw w czasie rzeczywistym.
• Zwiększona dokładność wykrywania oszustw, redukcja liczby fałszywych alarmów i ograniczenie liczby błędów ludzkich.
• Optymalizacja kosztów procesów i wykorzystania zasobów.
• Niższy wskaźnik strat, identyfikacja oszustw lub problemów przed ich materializacją.
• Szybsza wypłata odszkodowań w przypadku udokumentowanych roszczeń.
• Lepsze doświadczenie klienta.