Штучний інтелект, дані та наступний етап боротьби зі страховим шахрайством

Межу між справжнім та фальшивим стає дедалі важче розрізнити.

Кошториси ремонту, медичні записи, рахунки-фактури та фотографії пошкоджень можна створювати за допомогою недорогих домашніх налаштувань штучного інтелекту та моделей з відкритим кодом, що дозволяє зловмисникам створювати переконливі зображення та документи без будь-якого ідентифікованого водяного знака чи цифрового відбитка.

Нещодавні випадки використання штучним інтелектом імітації голосу для авторизації шахрайських банківських переказів, а також зростання використання штучних ідентифікаційних даних та фальсифікованої медичної документації, підкреслюють ширшу тенденцію: шахрайство більше не обмежується зусиллями чи масштабом. Те, що колись вимагало організованих мереж, тепер може бути виконано окремими особами за допомогою стандартних інструментів.

Для страховиків це знаменує собою небезпечний поворотний момент у тривалій конкуренції з шахраями, в якій перевага зміщується швидше, ніж багато організацій усвідомлюють.

Шахрайство виходить за рамки претензій

Значна частина уваги галузі, природно, зосереджена на шахрайстві з претензіями. Претензії являють собою прямий фінансовий ризик, високий обсяг транзакцій та зростаючу автоматизацію. Інші значні види шахрайства можуть отримувати менше уваги, але вони такі ж поширені та шкідливі, зокрема шахрайство з постачальниками та схеми, що сприяють роботі інсайдерів. Пільгові рекомендації, домовленості про відкати та довгострокові відносини з постачальниками, спрямовані на отримання цінності з часом, не завжди проявляються в традиційних моделях виявлення шахрайства. Ці схеми часто функціонують нижче порогу стандартної аналітики претензій, що ускладнює їх виявлення та завдає більшої шкоди в довгостроковій перспективі.

Дані + Генеративний ШІ: Потужна зброя шахрайства

У центрі ефективного захисту від шахрайства знаходяться дані. Протягом останніх двох десятиліть машинне навчання довело свою ефективність як інструмент для виявлення підозрілих закономірностей, особливо в особистих лініях, де великі обсяги чистих, стандартизованих даних дозволяють моделям навчатися на мільйонах історичних заяв.

Галузеві інструменти, що об'єднують дані між страховиками, такі як біржі заяв про претензії та андеррайтинг або мережеві платформи виявлення, дозволяють страховикам виявляти поведінку, яка залишилася б непомітною в межах однієї організації. Ці системи використовують машинне навчання для виявлення тонких закономірностей, таких як зв'язки між претензіями, повторювані події або незвичайні стосунки між сторонами, що сигналізують про шахрайську діяльність. Подібно до шахового движка, який вивчає оптимальні стратегії, граючи мільйони партій, моделі виявлення шахрайства навчаються на величезних наборах даних, щоб виявляти поведінку, яку навіть досвідчені слідчі можуть пропустити.

Але виявлення на основі даних має свої обмеження. Ці системи стикаються з труднощами, коли якість даних низька, обсяги малі або об'єднання даних недоцільне. Спеціалізовані ризики, індивідуальні комерційні політики та внутрішні сценарії шахрайства часто виходять за межі можливостей традиційних моделей машинного навчання. Шахраї розуміють ці обмеження та все частіше використовують їх.

Саме тут генеративний штучний інтелект починає змінювати рівняння, не замінюючи існуючі моделі шахрайства, а розширюючи обсяг і типи даних, з яких ці моделі можуть навчатися, особливо в тих сферах, де структуровані дані історично були дефіцитними. Ця технологія чудово справляється з вилученням структурованих даних з неструктурованих джерел, таких як рукописні документи, відскановані форми та довгі медичні звіти.

Це дозволяє страховикам виявляти підозрілі невідповідності, що заховані глибоко у величезних наборах документів. Тривожний сигнал, прихований на сторінці 377 500-сторінкового медичного звіту, більше не є непомітним. Генеративний штучний інтелект може виявляти аномалії, узагальнювати результати та направляти слідчих до найважливіших деталей. Це дозволяє експертам-людям зосередитися на тому, що найважливіше для їхньої оцінки.

Попередження шахрайства

Навіть з більшими та складнішими наборами даних, шахрайство залишається рухомою мішенню. Страховики завжди намагатимуться наздогнати. Шахраї невпинні, адаптивні та високо мотивовані. Але страхові компанії можуть схилити шанси на свою користь, застосувавши багаторівневу захисну стратегію, що £рунтується на даних, технологіях та людській пильності:

Перетворіть операції на сенсори. Від робочих процесів обробки претензій та взаємодії з клієнтами до внутрішніх систем та поведінки співробітників, страховики повинні вийти за межі вузьких моделей шахрайства та застосувати комплексні підходи до збору, інструментального забезпечення та аналізу телеметрії в усіх своїх організаціях. Збір анонімних даних з контакт-центрів, команд андеррайтингу та операцій з врегулювання претензій є особливо цінним, оскільки дозволяє виявити закономірності, які в іншому випадку залишилися б непомітними.

Повторне тестування є основним елементом контролю. Можливості виявлення розвиваються, але лише за умови збереження базових даних. Документ, який сьогодні проходить контроль за шахрайством, завтра може стати очевидним тривожним сигналом. Без можливості ретроспективно аналізувати історичні дані страховики втрачають можливість виявляти нові закономірності та зміцнювати захист у майбутньому. Безперервне тестування, повторне тестування та судово-медичний аналіз є важливими в гонці озброєнь, яка ніколи не зупиняється.

Узгодьте захисні заходи з реальними ризиками. Не всі види шахрайства виглядають однаково. Тактика зловмисника, який прагне швидкої виплати за фіктивною автопозовною вимогою, різко відрізняється від тактики зловмисника, який стоїть за тривалою схемою шахрайства з постачальниками або інсайдерами. Страховикам необхідно чітко розуміти, де вони найбільше ризикують, щоб застосувати належний контроль, аналітику та нагляд.

Наприклад, якщо хтось шукає швидкої зарплати, він може влаштувати аварію на жвавому перехресті з автомобілем, повним пасажирів, і всі разом подати заяви про травму шиї, сподіваючись, що страхова компанія заплатить, а не буде боротися. Ці дані є одночасно великими та стандартизованими, що дає галузі можливість виявляти організовані шахрайські мережі, які влаштовують інциденти такого типу.

Але чим менше даних, тим важче виявити мережеві ефекти, що робить низькообігові, але високоцінні сфери (наприклад, престижні автомобілі, легкі комерційні автомобілі, сільськогосподарські підприємства тощо) потенційними джерелами інсайдерського шахрайства. Щоб допомогти виявити підозрілу активність у схемах, які не мають стільки даних навколо себе, стратегії виявлення можуть включати: поведінкові, такі як незрозумілі джерела багатства; операційні, включаючи відмову працівників брати відпустки або доступ до систем у незручний час; та фінансові, такі як неодноразове виставлення рахунків одним і тим самим постачальником на суми, нижчі за ті, що потребують контролю з боку вищого керівництва.

Штучний інтелект створює нові можливості для шахрайства. Ризик шахрайства виникає не лише через те, як зловмисники використовують ШІ; він також може виникати через те, як страховики його застосовують. Інструменти на базі ШІ, такі як чат-боти, можуть бути протестовані, щоб уникнути образливих або неналежних відповідей, але вони можуть бути вразливими до маніпуляцій, які розкривають конфіденційні дані або уможливлюють шахрайські транзакції. Необхідне надійне змагальне тестування, щоб гарантувати, що досвідчені зловмисники не зможуть використовувати системи.

Страхуйте нові ризики. Страховики повинні дотримуватися тієї ж дисципліни, якої вони радять своїм клієнтам, забезпечуючи, щоб їхнє власне кіберстрахування відображало сучасне середовище загроз. Кіберстрахування може допомогти зменшити збитки від витоків даних, маніпуляцій з системами, регуляторного контролю та шахрайства з використанням штучного інтелекту. Не менш важливим є розуміння виключень та обмежень полісів, оскільки багато кіберполісів містять неоднозначні або постійно змінювані формулювання щодо ризиків, пов'язаних зі штучним інтелектом.

Не забувайте про людський фактор. Незважаючи на технологічний прогрес, люди залишаються найбільш експлуатованою вразливістю. Атаки соціальної інженерії, фішингові схеми та маніпуляції на основі довіри продовжують бути успішними, оскільки вони спрямовані на людську психологію, а не на технічні недоліки. Навчання співробітників розпізнаванню підозрілої поведінки, протистоянню соціальній інженерії та оскарженню незвичайних запитів є одним з найефективніших захисних заходів, які можуть застосувати страховики.

У світі, де машини можуть переконливо імітувати реальність, поєднання високоякісних даних, інтелектуальної автоматизації та добре навчених людей пропонує найнадійніший шлях уперед. Гра в кішки-мишки може ніколи не закінчитися, але страховики, які інвестують у дані, інтелект та людей, визначатимуть правила взаємодії.