Kontakt

TROV, Wykrywanie oszustw za pomocą sztucznej inteligencji

Trov

Wykrywanie oszustw za pomocą sztucznej inteligencji

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.

Informacje o projekcie

Wyzwanie biznesowe

 

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.

  • solution components 1
  • ready solution
  • solution comonents2

Rezulaty

Analiza wykrywania wyłudzeń pomogła zminimalizować liczbę oszustw, udoskonalić system udzielania gwarancji i usprawnić zarządzanie ryzykiem.

Korzyści dla klienta:

 

  • Automatyczne wykrywanie oszustw w czasie rzeczywistym.
  • Zwiększona dokładność wykrywania oszustw, redukcja liczby fałszywych alarmów i ograniczenie liczby błędów ludzkich
  • Optymalizacja kosztów procesów i wykorzystania zasobów
  • Niższy wskaźnik strat, identyfikacja oszustw lub problemów przed ich materializacją
  • Szybsza wypłata odszkodowań w przypadku udokumentowanych roszczeń
  • Lepsze doświadczenie klienta

Wykorzystane technologie

  • Python

  • NLP

  • K-means

  • DBSCAN

  • t-SNE

  • Random Forest

  • SVM

  • Neural Networks

Skontaktuj się z nami!
Mamy nadzieję na kontakt z Twojej strony. Wypełnij formularz kontaktowy poniżej, a wkrótce skontaktujemy się z Tobą.