Buenos días, al igual que el último blog del recién
finalizado 2024, esta semana comenzamos un nuevo año seleccionando otro
artículo que me publicó INESE en el espacio reservado a la Lucha Contra el
Fraude en Actualidad Aseguradora.
La elección de esta noticia para iniciar el año no es otra
que dar la importancia que merece la Inteligencia Artificial (IA) en las
distintas variantes que intervienen en la prevención y en la detección del
fraude al seguro.
En este caso abordé los modelos más habituales basados en
esta nueva tecnología utilizados en la Lucha Contra el Fraude (LCF), como son
los sistemas preventivos basados en análisis predictivos o sistemas de
procesamiento de lenguaje natural por ejemplo.
Así como modelos creados para la predicción del daño.
El artículo finaliza recordando la necesidad de incorporar
profesionales formados en LCF que analicen correctamente todas las alertas que
estos sistemas basados en IA son capaces de aportar, que por cierto cada vez
son más.
Pensar que la IA por si sola resolverá problemas no solo es
una fantasía, es una pérdida de tiempo y dinero evidente.
Un saludo
Josu Martínez
El valor de la IA en la Lucha Contra el Fraude
Josu Martínez Martínez
Perito de Seguros y Vicepresidente de la Asociación de Peritos de Seguros y Comisarios de Averías (APCAS)
En todos los sectores profesionales, la Inteligencia
Artificial (IA) se ha convertido en un baluarte para mejorar procesos y reducir
costes. El sector asegurador es claro ejemplo de implantación de sistemas
basados en Big Data e IA.
La IA se ha introducido en los sistemas de trabajo de todos
los Departamentos de las aseguradoras, entre los que se encuentran los de
Siniestros y Antifraude. En anteriores publicaciones hemos comentado cómo los
fraudulentos utilizan sistemas basados en IA para cometer los fraudes. En esta
ocasión explicaremos el caso contrario, es decir, cómo las aseguradoras
utilizan la IA y el Big Data para mejorar la detección de intentos de fraude.
Los sistemas Big Data basados en el tratamiento masivo de
datos permiten analizar grandes cantidades de datos en poco tiempo, de forma
que evita lo que sería la necesidad de utilizar una gran cantidad de recursos
humanos para analizar la misma cantidad de datos y que, en el caso del Big
Data, puede realizar en escasos minutos e incluso segundos, mientras que los
trabajadores necesitarían muchas horas para analizar los mismos datos.
Nos encontramos, por un lado, sistemas preventivos que
alertan de anomalías e indicios de irregularidades a la hora de recibir una
reclamación y, por otro, sistemas de detección mientras se gestiona el
siniestro. Estos sistemas se basan en análisis predictivos, que mediante el uso
de algoritmos de aprendizaje automático son capaces de analizar cada vez una
mayor cantidad de datos, identificando patrones y anomalías que alertan de
posibles fraudes. Estos mismos sistemas también generan modelos de scoring, asignando
puntuaciones de riesgo a las reclamaciones y evaluando por tanto la posibilidad
de fraude. En base a este scoring, la IA tiene la capacidad de realizar
clasificaciones automáticas de las reclamaciones, pudiendo por tanto priorizar
los casos con alerta de fraude, permitiendo a los profesionales atender estos
casos con mayor celeridad.
El sistema aprende de modelos entrenados con datos obtenidos
de casos reales de fraude y de no fraude. Una cualidad de estos sistemas es la
posibilidad de interactuar con otros sistemas. Así, por ejemplo, nos
encontramos con sistemas mixtos en los que la automatización robótica de
procesos (RPA) puede interactuar con sistemas IA que permiten automatizar la
obtención y análisis de datos, mejorando el tiempo y reduciendo el esfuerzo de
realizarlos por personas de forma manual.
Lenguaje natural
Dentro de los casos preventivos, tenemos también la
utilización de sistemas de procesamiento de lenguaje natural. El análisis de
texto analiza documentos de reclamaciones, mails y transcripciones de
conversaciones de llamadas telefónicas para detectar indicios de fraude,
generalmente al identificar comportamientos inusuales, respuestas evasivas o
dubitativas.
Al comunicarse con clientes, los chatbots y asistentes
virtuales pueden detectar señales de comportamiento inusuales que alerten sobre
la posibilidad de fraude. El análisis de redes sociales puede llevarse a cabo
con gran eficacia gracias a la capacidad de la IA para verificar conexiones y
publicaciones e identificar por tanto la falta de coherencia en las
reclamaciones con indicio de fraude.
En definitiva, los sistemas utilizados, principalmente
basados en sistemas machine learning, permiten ir perfeccionando los algoritmos
que rigen el funcionamiento de los sistemas, haciendo que vayan mejorando los
resultados. Todos estos sistemas de IA, basados en comparar transacciones y
comportamientos que se dan en las reclamaciones con los que los sistemas tienen
ya establecidos, pudiendo identificar los que los que presentan diferencias
significativas.
Los sistemas basados en IA pueden ser más o menos complejos
y, por tanto, serán más exitosos cuanto más perfecto y complejo sea el sistema
utilizado. Así tenemos que sistemas basados en redes neuronales profundas
pueden entender mejor los patrones más complejos, mejorando la detección del
fraude frente a los sistemas más tradicionales.
Los sistemas de detección durante la gestión de la
reclamación o del siniestro basados en IA son también variados.
Las aplicaciones de valoración de daños materiales por
reconocimiento de imágenes pueden identificar un daño ya valorado en caso de
utilizarse la misma imagen en más de un siniestro.
Predicción del daño
Otros sistemas son capaces de detectar anomalías o
modificaciones en imágenes aportadas en una reclamación o incluso en su forma o
lugar de obtención. Ya existen dispositivos que, instalados en automóviles,
emiten datos de forma telemática sobre la conducción y los que se producen tras
producirse un siniestro, lo que permite a sistemas basados en IA analizarlos y
alertar sobre casos de reclamación en los que se detecte disparidad entre la
versión del afectado y del análisis de los datos. La aportación de datos como
fechas y lugares pueden permitir detectar falsedades en la declaración. Datos
como los de angulación de daños e intensidades pueden ayudar a generar indicios
de fraude en reclamaciones de daños corporales.
Estos sistemas también son capaces de reproducir un
siniestro y realizar una predicción del daño, detectando posibilidad de indicio
de fraude. Estamos ante un caso de vehículo conectado, hecho que cada vez
tendrá más relevancia, no solo en aspectos tan importantes como la seguridad
vial y la movilidad, sino también en la gestión de siniestros y detección del
fraude. La IA será fundamental en la detección del fraude cuando exista un
parque automovilístico suficientemente conectado, lo cual se irá produciendo de
una forma progresiva.
Por tanto, podemos afirmar que la IA ya ha transformado la
gestión del fraude al seguro por parte de las aseguradoras y que lo irá
haciendo a partir de ahora de forma cada vez más precisa. Pero también podemos
afirmar que la IA, por sí sola, solo es capaz de ayudar a la detección, pero
siempre serán necesarios los profesionales adecuados, tanto para interpretar
las alertas que se producen en el análisis de las aplicaciones IA y establecer
un primer cribado de falsos positivos o de falsos negativos, como para
verificar los casos y establecer si se trata finalmente de un intento de
fraude. Para ello, es fundamental que los profesionales que operan en los
Departamentos de Siniestros y en los Departamentos Antifraudes estén
correctamente formados, tanto gestores como peritos de seguros.
