近年来，更大的需求网络安全已经甚至在日常的公民上涨。这是一个人的个人信息和财务信息，这些骗子都在不断发现违反帐户找到新的方法，尤其如此。这需要对安全性也随之上涨中保险，以及众多的AI公司是销售声称针对保险行业的欺诈检测解决方案。
在这篇文章中，我们概述了目前人工智能在保险欺诈检测中的可能性。我们将讨论一些全球顶级保险公司正在使用的软件，以及它们为何声称这些软件对它们有效。然后，我们概述了人工智能领域中可用的欺诈检测软件的类型，以及它们如何为客户提供ROI和将较少的索赔标记为假阳性。
我们对基于ai的保险公司欺诈检测的概述如下:
- 顶级保险公司如何使用基于人工智能的欺诈检测、它们对供应商的选择、解决方案和有关其实现的信息
- 异常检测如何使保险欺诈检测成为可能
- 如何预测分析使保险欺诈检测成为可能
我们从世界上一些顶级保险公司（包括Anadolu Sigorta、AXA和CNA）使用的方法开始，概述了可能用于保险欺诈检测的人工智能应用程序。
顶级保险公司如何使用基于人工智能的欺诈检测软件
安纳托里亚Sigorta
安纳托里亚Sigorta是土耳其第一家也是最大的保险公司之一。该公司雇佣了一个50人的团队，根据宽松的规则和团队的个人经验，在转向人工智能软件解决方案之前，手动检查每个欺诈索赔。他们从Friss购买了一款预测分析软件客户成功的故事在使用该软件的一年内，他们看到了210%的投资回报率。
随着每个月和检查每个要求近2周手工工艺25000至30000索赔审议欺诈指标，阿纳多卢Sigorta希望加快这一进程，并允许要处理更多的索赔。实施Friss’软件后，该公司能够衡量实时索赔的欺诈风险。在他们的客户成功案例Friss声称阿纳多卢Sigorta欺诈检测和预防成本节省$ 570万。
以下视频显示，Anadolu Sigorta副首席执行官Faith Góren谈到了他们与Friss合作的决定，以及他们如何从自动化索赔欺诈检测过程中获益：
安盛
安盛这家法国顶级寿险公司还采用了人工智能欺诈检测软件。他们与一家英国初创公司合作Darktrace采用一种解决方案，可以帮助他们检测和处理来自先进的网络罪犯的威胁。
Darktrace声称，AXA主要关注的是监控他们的整个网络，以及在出现更大的问题之前控制正在出现的威胁的能力。
不同级别与AXA适当整合的收购公司的复杂的基础设施，保险人一直在寻找一个能够处理非常不同的情况取决于它是分析公司的分支机构解决方案。
根据一项案例研究通过Darktrace公布，他们的企业免疫系统软件的培训上的计算机，并使用网络员工的行为和整个工作日检测的模式。
一旦它识别出每个用户的模式，据称它就会开始将数据关联起来，以识别不同用户职责之间的关系。Darktrace企业免疫系统是由该公司的自动响应软件Antigena打包而成，该软件可以对检测到的威胁采取行动。
Antigena被宣传为能够关闭客户公司网络中的用户，这些用户的行为与它所接受的检测数据安全线程、索赔欺诈或欺诈准备的培训一致。
CNA金融
另一家采用人工智能软件进行欺诈检测的大型保险公司是CNA金融. 该公司希望自动化他们的索赔欺诈检测过程，但也了解周围发现的欺诈背景。他们选择了移位技术作为他们自动化此过程的首选供应商，成为第一家使用Shift技术的FORCE软件解决方案的公司。
CNA财务规定在一份新闻稿中，他们将能够优化他们的特别调查，通过重点关注最可疑的索赔与预定的分析路径。
Regarding the company’s deal with Shift Technology, Rob Thomas, Senior Vice President of Claim Analytics, Finance and Operations for CNA’s P&C claims unit said, “By partnering with Shift Technology, CNA will optimize its special investigations efforts by focusing on the most suspicious cases with pre-identified paths for investigation.”
这意味着保险公司希望确保所有已知的欺诈方法都在其索赔范围内得到调查。因此，他们寻找了FORCE软件，以使其能够提供所观察到的欺诈情况的背景，并为正确解决问题提供指导。
因为Shift Technology声称他们的FORCE软件包含了预先确定的欺诈分析路径，并为客户提供了关于最佳下一步的上下文信息，所以我们可以推断该软件是一个预测分析应用程序。
异常检测如何使保险欺诈检测成为可能
基于异常检测的欺诈检测不同于人工智能欺诈解决方案中不太常见的预测分析方法。异常检测方法类似于其他人工智能应用，因为它们的机器学习模型都是在标记数据流上训练的。
这使得机器学习模型可以建立一个正常声明的基线，从而对如何识别任何异常有一个大致的认识。
当给定的事件或声明偏离现在建立的正常模式时，软件将通知人类监视器。监管者，通常是索赔专家或数据科学家，可以接受或拒绝此通知。这向机器学习模型表明，它对给定索赔是否欺诈的结论是对的还是错的。
这进一步训练了机器学习模型，使其理解其结论是正确的，并允许在未来出现类似的偏差，如果它是错误的。与此同时，索赔专家或数据科学家也将能够利用机器学习模型关于什么是欺诈或什么不是的结论来进一步改进它。
异常检测也可以用于索赔过程之外的保险欺诈检测。与CNA一样，保险公司可以使用异常检测来识别保险公司网络上用户的可疑行为。此外，这种类型的软件可以在一个解决方案下与其他AI应用程序相结合。
对于那些希望能够搜索关于机器学习模型将解决的问题的相关信息的公司，结合NLP文档搜索软件的解决方案可能会有所帮助。这将是为了让商业领袖从机器学习模型提取的同一个数据库中查看数据，以便更好地理解机器学习模型揭示的一些东西，比如一种新的欺诈方法。
我们采访了凯文•李居民信任和安全架构师筛科学，一个全球性的AI欺诈检测软件供应商。在我们的播客,人工智能在工业,我们问李关于当前的可能性和应用AI欺诈检测。
至于好处学习机可以提供保险公司希望自动化索赔欺诈检测过程中，李某说：
一个人类分析师或一个人类评论员一次只能看一小部分信号并做出决定。但有足够的数据，这是真正的机器学习发挥作用。因为它确实能够处理成千上万的信号，并观察滥用或欺诈的可能性。从机器学习的角度来看，这正是工业发展的方向。
预测分析如何使保险欺诈检测成为可能
除了异常检测软件外，用于保险欺诈检测的机器学习模型还可以用作预测分析和规定性分析软件的基础。规定性分析软件将预测性分析的相关预测进一步向用户提供建议，以便在发现欺诈时采取最佳的下一步行动。也就是说，每一项都需要相同的数据和培训要求才能得到适当的实施和发展。
基于预测分析的欺诈检测软件与基于异常检测的软件操作方式不同。来自客户保险公司的索赔专家需要将大量索赔分别标注为欺诈索赔和合法索赔。
这样，机器学习模型会根据诈骗方法存在于标记甚者识别欺诈的方法。
例如，用于训练机器学习模型的欺诈索赔可以采用与索赔中键入的美元金额相关的欺诈方法。
一旦软件学会了检测这种欺诈方法，它将对每个索赔的美元金额更加敏感，并用可疑的索赔金额标记索赔
许多公司会发现他们已经把这些数据贴上标签，因为他们存储了多年来的欺诈性索赔记录。从事软件机器学习模型的索赔专家在培训期间指定哪些索赔是欺诈性的或不是欺诈性的。当他们将软件暴露在这些标记的声明中时，它逐渐能够更好地自己识别差异。
该软件随后将识别与新索赔中过去欺诈企图相关的数据点，这些数据点进入系统。
SAS就是这样的一家供应商，它向保险公司提供预测分析软件，帮助它们自动化欺诈检测过程。他们的预测分析解决方案SAS Enterprise Miner据称可以帮助医疗保险公司发现欺诈性索赔，并定位重要信息，以确定新索赔的欺诈风险。
供应商还指出该软件可以使用客户端的企业数据来创建模型，或显示出基于过去索赔的数据点之间的变量可能的诈骗案件模拟索赔。例如，索赔专家训练机器学习模型可能要测试甚者多久是上述$ 100，低于200 $的金额。
在这种情况下，他们可以测试“欺诈”变量”对‘价格’的变量，并查看显示看重该范围内的索赔结果。
下面是一个简短的演示视频，介绍了Enterprise Miner是如何工作的。本视频是创建和使用预测模型过程的演练。演示者使用了一个示例主题，但是同样的原则也适用于保险索赔欺诈。视频中涉及的步骤如下:
- 0:00 - 选择的数据点和变量和审查数据
- 3： 00–对照其他变量检查目标变量，找出相关性，并创建模型
- 4:05 - 结果，以及如何读取预测模型
- 5:19 - 使用多个模型同时
根据一项案例研究在SAS的网站上公布，该公司帮助保险公司DentaQuest减少欺诈，看看使用Enterprise Miner的营销活动提高投资回报率。DentaQuest是据称能够识别与标为欺诈他们的索赔数据相关50客户行为。
“SAS不仅能降低成本，还能提高护理质量。现在，我们可以不使用高成本的恢复性服务，而是把患者转移到提供更有益的预防、诊断类服务的机构，”DentaQuest的高级分析经理迪安·韦伯(Dean Webb)说。
我们可以从这段话推断，保险公司能够提取有关他们的客户，帮助他们建议预防性和诊断牙科服务预测的见解。
这意味着DentaQuest在牙科手术保险索赔上花的钱更少，而他们的客户基础有更多的机会获得预防性的牙科护理。
标题图像信用：DG法律
