在美国，欺诈行为使保险公司损失了100亿美元大约每年3086亿美元。
近60%的保险公司已经在使用人工智能来打击欺诈。
第三方开发人员正在试用生成人工智能工具，以帮助欺诈调查人员。
本文是“构建IT”系列文章的一部分关于数字技术和创新趋势正在颠覆行业。
NEW LOOK注册获取今日市场、科技和商业领域最重要新闻的内幕消息——每日提供。阅读预览广告
保险公司正面临着一系列挑战。他们已经受到通货膨胀和气候危机的困扰，他们还在与欺诈进行军备竞赛。
这场计算战争的日常可能不会像艾伦·图灵站在一台7英尺宽的电脑前破译恩尼格玛密码那样引人注目。但保险欺诈之战遵循同样的前提:随着欺诈者使用新技术，探测器也必须如此。
许多保险公司都认为，未来五年，人工智能将比其他任何技术都更能改变这个领域的游戏规则。
这场竞赛背后的驱动力是金钱，而且是大量的金钱。在美国人每年向保险业支付的2.5万亿美元中，反保险欺诈联盟估计，保险公司为欺诈性索赔支付了3086亿美元。这意味着，美国消费者支付的费用中有12%流向了不诚实的索赔人。
广告广告
保险欺诈造成的损失几乎是30年前的两倍。岌岌可危的是资金，否则这些资金可能会用于可能改变生活的支付。与其他在线行业相比，保险公司更能感受到来自数字诈骗的压力。
这让他们渴望利用自己的反欺诈团队，看看人工智能还能做些什么。
近60%的保险公司已经使用机器学习等人工智能来帮助检测常规的旧欺诈行为，更不用说欺诈者也可以随时使用人工智能来应对新的挑战了。
苏黎世保险集团(Zurich Insurance Group)负责索赔欺诈的斯科特?克莱顿(Scott Clayton)表示，浅层伪造——在照片编辑软件的帮助下手工制作的伪造图像——让他夜不能寐。但大量基于人工智能的伪造作品(或称“深度伪造”)是即将到来的另一个威胁。
广告广告
克莱顿说:“我半开玩笑地说，当deepfake对我们产生重大影响时，我可能是时候退出了。”“因为在这一点上，我不确定我们是否能够跟上它的步伐。”
这不是未来的问题。Shift Technology的首席数据科学家阿尔诺·格拉皮内(Arnaud Grapinet)说，最近几个月，他发现他的数据中出现了深度伪造的索赔。
Grapinet告诉Insider网站说:“这样做的比例仍然很低，但事实是，人们在这样做，他们在大规模地这样做。”
安盛研究基金(AXA Research Fund)对西班牙市场的一项研究发现，大多数欺诈性索赔都是针对真实事件的，但索赔人总是夸大损失。这些投机取巧的骗子通常只伪造一次，花费不到600欧元(约合635美元)。
广告广告
另一方面，研究显示，大约40%的欺诈是有预谋的，这些案件可能会给保险公司造成3000欧元(约合3170美元)以上的损失。
这个昂贵的类别是深度伪造开始进入的领域。与投机取巧的欺诈者的一次性行为不同，那些使用深度造假的人有能力制造数百张伪造图像。
因此，反欺诈团队正在转向软件开发套件，如微软的Truepic和OpenOrigins的Secure Source，它们可以记录摄像头数据，以验证图像的真实性。虽然这些技术本身还不能检测投机欺诈，但它们肯定会成为现代欺诈调查人员工具包的一部分。
当处理程序审查索赔时，它们可能还会收到标记可疑活动的警报。在这一点上，它被传递给一个人来调查是否真的存在欺诈。
广告广告
“现实情况是，在使用真正的人工智能进行欺诈检测方面，我们仍然相对不成熟，”克莱顿说。
但保险欺诈检测市场预计将从2023年的50亿美元增长到2028年的170亿美元。
当前欺诈检测系统中的大多数编程都是基于规则的。如果保险公司告诉该程序有某种可疑的证据，比如上传频率异常，该引擎就会将这些情况标记给调查人员。
对于保险公司的开发人员来说，基于规则的系统的使用和维护难度相对较低，但添加新规则或首先知道要硬编码哪些规则也很困难。
广告广告
在过去的10年里，像Friss、IBM和Shift Technology这样的第三方开发商已经开始为保险公司量身定制机器学习系统。数据科学家可以向它展示数千个欺诈材料的例子，而不是让引擎遵循硬编码规则，它可以自己发现欺诈模式。
例如，Shift Technology向其模型展示了来自客户和数据合作伙伴的数百万份材料，如索赔、医疗记录、律师之间的通信、首次损失通知和损害图片。该公司的代表表示，目前的模型发现的欺诈行为是手动或基于规则的工具的三倍。
开发人员正在努力将人工智能应用于保险，而不仅仅是通过他们目前的机器学习系统。
Grapinet和他的团队正在试验一种生成式人工智能系统，以帮助调查人员完成繁琐的任务，比如审查100页的文件。他们花在阅读记录上的时间越少，他们就可以花更多的时间来仲裁复杂的案件。
广告广告
Shift Technology的首要任务之一是增加人工智能的透明度。
Grapinet说:“当你让人工智能与人类互动时，最重要的是可解释性。“你不能只有一个黑匣子。”
虽然透明度是保险公司在使用人工智能时最关心的问题之一，但对数据质量、数据缺乏和模型偏差的担忧超过了透明度。
“对于任何一家保险公司来说，他们都很难建立自己的内部欺诈模型，因为人工智能需要大量的数据来训练、学习和改进，”《我们所知道的保险的终结》(the End of Insurance As We Know it)一书的作者罗布·加尔布雷斯(Rob Galbraith)说。
广告广告
当保险公司权衡他们对第三方软件的兴趣和开发专有系统时，这些第三方初创公司和企业公司正在利用他们的能力来托管大规模的、跨市场的数据集。
Shift Technology公司的企业沟通主管罗布·莫顿(Rob Morton)说:“看到那些不仅仅与一家保险公司有关的案件，你不会相信一个50岁、头发花白的保险调查员，他真的非常擅长自己的工作，但他没有看到所有正在发生的事情的广度。”
但随着越来越多的审查转向人工智能，监管机构也需要应对。对具有管理数据遵从性和文档的专业知识和带宽的员工的需求很大。
还有一个问题是，如何监管第三方提供商，以及与这些提供商合作的保险公司，尤其是考虑到少数几家公司可能会成为该行业很大一部分的工具。
广告广告
“这仍然是一个非常发展的领域;最佳做法并不是一成不变的，”加尔布雷斯说。
对于第三方模型和专有模型来说，人工智能模型很难检测到它们没有从培训材料中学到的欺诈形式。
克莱顿说:“我们的能力取决于我们所知道的东西。”“我们在检测工具上投入越多，花费越多，我们发现的就越多。”
