Inteligentny licznik pojazdów
Dedykowane rozwiązanie do pomiaru przepływu ruchu, które wykrywa, klasyfikuje, śledzi i liczy pojazdy w każdej klatce przy użyciu podejścia opartego na głębokim uczeniu się.
Klient
Branża
Oferta
Technologie
Wprowadzenie
Trōv jest światowym liderem w branży ubezpieczeń wbudowanych, przyczyniającym się do rozwoju cyfrowej dystrybucji ubezpieczeń i popularyzacji mobilności. Solidna platforma insurtech Trōv umożliwia instytucjom finansowym i firmom ubezpieczeniowym łatwe osadzanie produktów ubezpieczeniowych w innych cyfrowych rozwiązaniach, aby zwiększyć powtarzalność przychodów.
Wyzwanie
Firmy ubezpieczeniowe potrzebują od kilku do kilku tygodni na rozpatrzenie roszczenia, a mimo tego nadal nie udało im się wyeliminować wyłudzeń. Najczęstsze problemy to zniszczenie mienia, oszustwa związane z ubezpieczeniem samochodu, wynajmem oraz zwierzętami domowymi. Starannie dobrane modele mogą pomóc w skutecznym wykrywaniu oszustw. Celem naszego klienta była automatyzacja wykrywania oszustw oraz zapobieganie stratom i szkodom związanym z wyłudzeniami przed wypłatą roszczeń i dokonaniem szkód w systemie. Klient chciał również skrócić czas rozpatrywania roszczeń i przyspieszyć wypłacanie odszkodowań uczciwym klientom.
Rozwiązanie
Nasz zespół zbudował skuteczny system wykrywania oszustw w oparciu o sztuczną inteligencję i techniki statystyczne.
W pierwszym etapie, przed zebraniem etykietowanych danych, zespół Data Science wykorzystał metodę nienadzorowanego grupowania w celu zidentyfikowania podejrzanych grup użytkowników. Zebraliśmy wszystkie istotne dane sygnalizujące potencjalnie podejrzanych klientów, wykorzystując sprawdzanie tożsamości, ostrzeżenia dotyczące PEP/Sanctions/Deceased, ostrzeżenia dotyczące linków do przesyłania dalej, ryzyko związane z adresami e-mail i urządzeniami mobilnymi, ocenę kart kredytowych itp. Ponadto zastosowaliśmy także inżynierię cech, wykorzystując wiedzę o domenie do ręcznego tworzenia nowych, ważnych cech, które mogą mieć wpływ na identyfikację oszustów.
Na późniejszych etapach rozwoju, po zebraniu zbioru etykietowanych danych, zespół Avenga zastosował metodę nadzorowanego uczenia maszynowego w celu tworzenia przewidywanych parametrów oszustw, by zwiększyć dokładność systemu wykrywania wyłudzeń. Wykorzystaliśmy sieci neuronowe, które mogą uczyć się podejrzanych wzorców na podstawie próbek i później wykrywać je w nowych przypadkach.
Rezulaty
Analiza wykrywania wyłudzeń pomogła zminimalizować liczbę oszustw, udoskonalić system udzielania gwarancji i usprawnić zarządzanie ryzykiem.
Korzyści dla klienta::
Rozpocznij rozmowę
Chętnie odpowiemy na Twoje pytania. Skorzystaj z poniższego formularza, aby skontaktować się z nami. Odezwiemy się do Ciebie wkrótce.