Deteção de fraudes: máquina versus ser humano?

Por Ian Carman, diretor dos serviços de investigação do Reino Unido

A inteligência artificial (IA) e as tecnologias de aprendizagem automática são extremamente úteis na deteção de comportamentos e atividades suspeitos.

No entanto, a identificação de fraudes em seguros e a validação de sinistros continuam a ser uma área em que a tecnologia requer intervenção humana.

Não se trata necessariamentede uma rivalidade entremáquinasehumanos; na verdade, eles trabalham em conjunto. Ao analisar inúmeras reclamações, análises forenses de imagens e análises preditivas, você descobrirá que todas essas são tarefas que os gestores de reclamações ou investigadores de fraudes não conseguiriam realizar com a mesma rapidez e nível de precisão. A tecnologia reduz com sucesso os falsos positivos e produz resultados confiáveis, ao mesmo tempo em que acelera o processo de triagem de fraudes.

Abordagem mista

Não existe uma solução única para identificar reclamações suspeitas, e é por isso que é necessária uma abordagem combinada – usando tecnologia para processar grandes volumes rapidamente, IA para identificar padrões suspeitos e ciência comportamental para ajudar a gerir as discussões com o cliente. Embora a IA não tome decisões, ela aponta os gestores de reclamações e investigadores na direção certa. Ao reconhecer rapidamente as preocupações, a IA pode ajudar a identificar questões específicas que destacam a reclamação como digna de investigação. Um investigador de fraudes será sempre necessário para processar os resultados. Sem mencionar que os dados aumentam duas vezes após uma visita virtual ou física, o que ressalta a importância das investigações individuais.

A deteção de fraudes por parte dos segurados é um assunto delicado e requer fortes competências de gestão de conversas — apoiadas por análises digitais de risco de voz. Deve ser um processo cuidadosamente gerido — estruturado de forma a que o fraudador saiba quando foi descoberto. Na maioria das vezes, eles optarão por desistir do pedido de indemnização — uma reação que as seguradoras podem então considerar caso a caso.

Paisagem mais ampla

Novas tendências também estão constantemente a surgir, com os fraudadores a encontrarem continuamente formas alternativas de cometer fraudes. Felizmente, a tecnologia agora permite-nos expor novos picos de atividade na fase inicial. O aprendizado de máquina pode até detectar fraudes oportunistas, identificando, por exemplo, quando os clientes começam a perceber e a tirar proveito dos limites de indenização. No trabalho relacionado com responsabilidade civil e danos pessoais, além dos padrões clássicos de fraude, a tecnologia também pode detetar advogados e médicos com as mesmas conexões, referir publicações nas redes sociais e reunir tudo para identificar comportamentos potencialmente fraudulentos.

A IA analisa o panorama geral, adotando uma visão de big data sobre comportamentos fraudulentos — desde exageros em reclamações até atividades criminosas organizadas sofisticadas — em comparação com o que está a acontecer no mercado. A aplicação dessas novas tecnologias torna as equipas antifraude mais eficientes, garantindo que os esforços dos investigadores e os gastos comerciais sejam investidos nos casos mais robustos.

Visão dos dados

Identificar fraudes é apenas parte do quadro. A tecnologia também pode fornecer informações antecipadas sobre novas tendências de fraude, oferecendo detalhes em nível micro – códigos postais, tipos de reclamações e pessoas –, o que capacita os investigadores com informações precisas à medida que elas ocorrem. Isso pode ajudar os subscritores e as equipas de vendas a reagir rapidamente e desativar áreas ou carteiras de negócios que estejam a se tornar suspeitas.

Partilha de informações

Além da tecnologia inovadora, há dados de qualidade. Embora exista uma excelente colaboração e partilha de dados por meio de sistemas baseados em motores, CUE e MIAFTR, o setor de seguros poderia se beneficiar de um conjunto mais amplo de dados. Categorizar a fraude de maneira específica e uniforme, em vez de usar termos muito amplos, como «motor» ou «lesões pessoais», também seria um passo à frente. A Associação Britânica de Seguradoras (ABI) identificou um conjunto de tipos de fraude acordados que devem levar a uma maior padronização da forma como as várias fraudes são classificadas. Algumas seguradoras também têm partilhado estratégias baseadas em oponentes, certamente no setor de imóveis comerciais, o que é outro sinal positivo. É esse tipo de colaboração em todo o setor — um "tratado das equipas de fraude" — que trará dividendos nos próximos anos.

O uso de tecnologias inovadoras tende a crescer. Hoje em dia, tudo gira em torno de velocidade e desempenho. Clientes honestos esperam que os seus pedidos de indenização sejam resolvidos rapidamente e com o mínimo de transtornos. Mas a deteção de fraudes não precisa entrar em conflito com uma experiência positiva do cliente, e a identificação rápida de casos questionáveis é crucial para eliminar tendências emergentes de fraude.

Este blog inclui excertos de umwebinarrecente da Sedgwick, apresentado por Ian Carman, no qual um painel de especialistas do setor debateu a combinação da inteligência artificial e humana na luta contra a fraude.

Muito obrigado aos seguintes participantes pelo seu contributo:

• Dan Edwards, gestor de reclamações de responsabilidade civil, Enterprise Rent-A-Car
• Arnaud Grapinet, cientista-chefe de dados, Shift Technology
• Kevin Kingdon, gestor de fraudes imobiliárias comerciais, Aviva
• Simon Roylance, afirmação sobre prevenção do crime, LV
• Stephen Dalton, chefe de inteligência e investigações, IFB