Như chúng ta đã thấy, phát hiện gian lận là một hoạt động cần nhiều kiến thức cho phép phân loại chính xác xem giao dịch hoặc yêu cầu bồi thường là hợp pháp hay gian lận.   

Hình thức học máy phổ biến được áp dụng cho ngành bảo hiểm được gọi là phát hiện bất thường sâu . Tính năng phát hiện bất thường hoạt động bằng cách phân tích các xác nhận quyền sở hữu bình thường, chính hãng do khách hàng đưa ra và hình thành mô hình về thông báo xác nhận quyền sở hữu điển hình trông như thế nào. Mô hình này sau đó được áp dụng cho các tập dữ liệu lớn. 

Các khía cạnh khác của trí tuệ nhân tạo cũng có thể được xây dựng bằng phương pháp phát hiện bất thường này. Một trong những phát triển đó là phân tích dự đoán , có thể được sử dụng để thiết kế chương trình nhằm giảm tải lao động hơn nữa. Phân tích dự đoán hoạt động thông qua một phương pháp học máy tương tự; tuy nhiên, tập dữ liệu ban đầu sẽ cụ thể hơn. Chương trình sẽ xây dựng một mô hình không chỉ tìm kiếm các đặc điểm của các xác nhận quyền sở hữu điển hình hoặc không điển hình mà còn phân tích các đặc điểm của một xác nhận quyền sở hữu không điển hình mà nó đã chỉ định là một chỉ báo gian lận. 

Các công ty khởi nghiệp trong ngành phát hiện gian lận

Để đi sâu hơn vào chủ đề này và xem công nghệ mà các công ty khởi nghiệp phá cách đang áp dụng để phát hiện gian lận, chúng tôi đã trò chuyện với Steven Schwartz, Phó chủ tịch, Thực hành Chiến lược & Bảo hiểm từ Cytegic – Cán bộ quản lý rủi ro mạng tự động (ACRO). Cytegic tận dụng trí thông minh về mối đe dọa toàn cầu được định lượng, theo ngữ cảnh và hướng tới tương lai với dữ liệu đánh giá nội bộ, được xác thực về mặt công nghệ để tự động xác định tài sản kinh doanh của tổ chức, rủi ro mạng và tác động tài chính ở bất kỳ mức độ chi tiết nào. 

Công nghệ phát hiện gian lận

Trong thế giới của Khoa học Dữ liệu, có rất nhiều phương pháp và thuật toán khác tận dụng chính xác lượng lớn dữ liệu người dùng. Mỗi người trong số họ đã được chứng minh là hoạt động hiệu quả trong một số tình huống và tình huống cụ thể. Các chuyên gia về Học máy chia chúng thành hai kịch bản chính tùy thuộc vào tập dữ liệu có sẵn: 

Tình huống 1: Tập dữ liệu có đủ các ví dụ về gian lận.

Trong trường hợp này, các kỹ thuật máy học cổ điển hoặc dựa trên thống kê được áp dụng để phát hiện các cuộc tấn công gian lận. Điều này liên quan đến việc đào tạo mô hình học máy hoặc sử dụng các thuật toán thích hợp để ước tính tính hợp pháp của giao dịch. Chúng ta sẽ xem xét các thuật toán thường được sử dụng nhất bên dưới.  

Tình huống 2: Tập dữ liệu không có (hoặc chỉ có một số rất ít) các ví dụ về gian lận.

Trong trường hợp không có bất kỳ thông tin nào trước đây về các giao dịch gian lận được lưu trữ, thì mô hình học tập được xây dựng dựa trên các ví dụ về các giao dịch hợp pháp. 

Trước khi chuyển sang các mô hình học tập được sử dụng phổ biến được áp dụng để phát hiện gian lận, cần phải nói rằng phần lớn có cùng mục đích sử dụng và chỉ khác nhau về các đặc điểm toán học của nó. Do đó, dữ liệu có sẵn trở thành một yếu tố quyết định khi lựa chọn mô hình học tập phù hợp hơn là bản thân một thuật toán.

1. Rừng ngẫu nhiên hoặc các khu rừng quyết định ngẫu nhiên. Thuật toán này tập hợp các cây quyết định và phân tích chính xác dữ liệu bị thiếu, nhiễu, ngoại lệ và lỗi. Nó nhanh chóng trong quá trình đào tạo và ghi điểm, và do đó, đã trở thành một trong những phương pháp được các chuyên gia phát hiện gian lận ưa thích.

2. Mạng thần kinh nhân tạo (ANN) . Hệ thống này mô phỏng chức năng của não để thực hiện các nhiệm vụ bằng cách học hỏi từ quá khứ, trích xuất các quy tắc và dự đoán hoạt động trong tương lai dựa trên tình hình hiện tại. Nó có thể dự đoán liệu giao dịch có gian lận hay không bằng cách phân loại đầu vào vào các nhóm được xác định trước.

3. Hỗ trợ Máy Véc tơ (SVM) . Đó là một công cụ dự đoán tuyệt vời có thể giải quyết một loạt các vấn đề học tập, chẳng hạn như nhận dạng chữ số viết tay, phân loại các trang web và nhận diện khuôn mặt. Phương pháp này có khả năng phát hiện hoạt động gian lận tại thời điểm giao dịch.

4. K-Nearest Neighbors (KNN) . Còn được gọi là thuật toán “lười học” do tính đơn giản của nó: thay vì thực hiện các phép tính khi dữ liệu được đưa vào, nó chỉ lưu trữ để phân loại thêm. Thuật toán KNN dựa trên sự giống nhau của đối tượng và sự gần gũi của nó. Khi người hàng xóm gần nhất gian lận, giao dịch được phân loại là gian lận và khi người hàng xóm gần nhất là hợp pháp, giao dịch đó được phân loại là hợp pháp.

5. Hồi quy logistic là một thuật toán dự đoán được máy học mượn từ các lĩnh vực thống kê. Nó được sử dụng rộng rãi để phát hiện gian lận thẻ tín dụng và chấm điểm tín dụng.

Cuối cùng, mục tiêu của trí tuệ nhân tạo trong lĩnh vực gian lận bảo hiểm là giúp các nhân viên của con người dễ dàng tìm thấy và điều tra các yêu cầu và giao dịch gian lận , thay vì sàng lọc hàng tấn yêu cầu một cách mệt mỏi và tốn thời gian. 

Nhiều nhà cung cấp và tổ chức bảo hiểm bị hạn chế do việc khai thác gian lận bảo hiểm và chi phí của các đại lý con người. Lợi nhuận dự đoán từ việc triển khai các công nghệ máy học chắc chắn sẽ cho phép bất kỳ tổ chức nào phát triển.

Các đối tác công ty của chúng tôi đã và đang sử dụng các giải pháp phát hiện gian lận tự động trong hoạt động của họ để ngăn chặn các hành vi gian lận như tuyên bố sai, chiếm đoạt tài khoản, gian lận thanh toán và lừa đảo. Máy học cho phép các đối tác của chúng tôi giảm thiểu thiệt hại và tăng khả năng cạnh tranh của họ.

Reference: 

Natalia Markovskaia ( Jul. 09, 2020). Detecting Insurance Fraud with Machine Learning, from https://www.plugandplaytechcenter.com/resources/detecting-insurance-fraud-machine-learning/