Christian van Leeuwen, CTO de FRISS, el líder del mercado europeo en software de análisis de fraude, riesgo y cumplimiento para aseguradoras de propiedad y accidentes, habla de la importancia de impulsar el uso de la Inteligencia Artificial para el análisis automático de imágenes y así optimizar los procesos de identificación de fraude y análisis de riesgo.
Las compañías de seguros consumen terabytes de información a diario en forma de datos digitales. Cada vez más fuentes de información suministran datos valiosos, lo cual brinda un panorama rápido y confiable de un riesgo o de un reclamo presentado, y hace posible filtrar los riesgos no deseados y reclamos fraudulentos. Se requiere de tecnología de punta para procesar este flujo de información, y convertirlo en ideas y conocimiento aplicables. Para ello, es necesario un software inteligente capaz de procesar rápidamente la información, de aprender de manera independiente, de sacar conclusiones inteligentes y hacer recomendaciones – del mismo modo en que lo hace un humano, pero de manera más astuta y eficiente. Estamos hablando de la Inteligencia Artificial (IA).
Tres tipos de IA
A grandes rasgos, podemos identificar tres tipos de inteligencia artificial. El primer tipo beneficia a todos y es conocido como IA ‘general’. Ejemplos de este tipo de IA incluyen procesamiento de lenguaje natural, reconocimiento facial y realidad aumentada. El segundo tipo supone una superposición entre el mundo físico y elementos del mundo virtual. Utilizamos elementos de IA general para apoyar el proceso específico de los otros dos tipos de IA.
El segundo tipo, IA basada en el producto, consiste en productos específicos, tales como sistemas para identificar y desactivar los virus informáticos, programas que filtran el correo electrónico no deseado y otros que detectan patrones de fraude. Este último nos es sumamente valioso. Cuanto más alimentamos la IA con información sobre casos de fraude, mejor será su desempeño en esta tarea específica. Los sistemas aprenden haciendo y derivando conclusiones de los comentarios de distintos usuarios.
El tercer tipo de IA es la IA personalizada o IA de dominio específico. En resumen, se entrena a la IA para su uso en un nicho específico. Como ejemplo en el sector de seguros, la IA está entrenada para identificar patrones de fraude y se encuentra ligada al procesamiento directo (STP, por sus siglas en inglés) y a las características de una compañía de seguros en particular: sus productos específicos, grupos meta, canales de distribución y procesos de reclamos. Esto nos permite determinar cómo puede integrarse mejor la IA a las operaciones comerciales de cada compañía de seguros en particular.
La IA y el análisis de la imágenes
A menudo se obtienen mejores resultados al combinar los tres tipos de IA; por ejemplo, al usar la IA para analizar imágenes en un entorno de STP mientras simultáneamente se comprueba el fraude. Las compañías de seguros reciben enormes cantidades de material visual, que se utiliza para demostrar y respaldar el proceso de reclamos (por ejemplo, determinar la legitimidad de un reclamo). Los asegurados, intermediarios, talleres de reparación y expertos presentan fotografías para ilustrar el daño (por ejemplo, daños del automóvil, daños de cristales o daños provocados por incendio) o como prueba para demostrar que los artículos perdidos o robados efectivamente pertenecían al propietario (por ejemplo, joyas, ropa, o cámaras).
Evaluación del reclamo
Con el fin de optimizar el uso de las fotografías, se debe determinar que las fotos presentadas son las correctas y que el objeto dañado fue fotografiado desde todos los ángulos. También es importante determinar que el objeto en la fotografía es realmente el objeto asegurado, que no se incluyen otros daños previos al incidente en el reclamo, y que la fotografía no se ha utilizado antes, descargado de Internet o retocado. El siguiente paso es determinar los daños y los costos de reparación del daño. ¿Se considera que el automóvil sufrió daños por pérdida total? ¿Cuál es la gravedad del daño provocado por incendio? ¿Existe algún indicio visible de fraude?
Estos análisis pueden realizarse con la ayuda de los tres tipos de IA mencionados. Se entrena a la IA general con millones de imágenes para identificar objetos generales como ventanas, edificios, automóviles, etcétera. La gran cantidad de datos y el impresionante poder computacional permiten que estos análisis se realicen a gran velocidad y con gran precisión.
Se entrena a la IA basada en el producto con demandas específicas (por ejemplo, daño de cristales) para determinar el monto de daño producido y para identificar posibles instancias de fraude.
Como paso final, también se puede entrenar a la IA con algoritmos de aprendizaje automático en dominios específicos de aplicación: es decir, el proceso utilizado por cada compañía de seguros en particular. La combinación de estos tres tipos de IA asegura que el procesamiento de los reclamos se realice sin contratiempos y de manera eficiente. Cuanto más se utilice la IA y cuanto más datos y retroalimentación reciba sobre el proceso de siniestros, mejor y más rápido funcionará. Esto acelerará el proceso de evaluación de siniestros y puede incluso llevar a un proceso completamente automatizado en algunos casos, como el STP. Como beneficio adicional, los reclamos fraudulentos se filtran de manera más eficiente.
Además del análisis de imágenes, existen decenas de tipos de IA actualmente disponibles y en desarrollo. Las compañías de seguros pueden utilizar estas tecnologías para mejorar y optimizar sus procesos de identificación de fraude y el análisis de riesgo. En la próxima entrega trataré este tema en más detalle con algunos ejemplos sobre nuestros casos de prevención de fraude.
