Uso da Inteligência Artificial para a análise automática de imagens

As seguradoras podem usar a AI para otimizar seus processos de identificação de fraude e análise de risco.

[Holanda] – Abril de 2018 – Christian van Leeuwen, CTO da FRISS, (www.friss.eu/en), líder no mercado europeu em software de análise de fraude, risco e conformidade para seguradoras de propriedade e acidentes, fala sobre a importância de promover o uso da Inteligência Artificial para a análise automática de imagens e assim otimizar os processos de identificação de fraudes e análise de risco.

Aqui o artigo:

https://www.friss.com/es/blog/impelling-the-use-la-inteligencia-artificial-para-el-analisis-automatico-imagenes/

As companhias de seguros consomem terabytes de informação diariamente na forma de dados digitais. Mais e mais fontes de informação fornecem dados valiosos, que fornecem uma visão geral rápida e confiável de um risco ou de uma reclamação apresentada, e permite filtrar riscos indesejados e reclamações fraudulentas.

A tecnologia de ponta é necessária para processar esse fluxo de informações e convertê-las em ideias e conhecimentos aplicáveis. Isso requer um software inteligente capaz de processar informações rapidamente, aprender de forma independente, tirar conclusões inteligentes e fazer recomendações – da mesma maneira que é feito por um ser humano, mas de uma maneira mais astuta e eficiente. Estamos falando da Inteligência Artificial (IA).

Três tipos de IA

Em termos gerais, podemos identificar três tipos de inteligência artificial. O primeiro tipo beneficia a todos e é conhecido como IA “geral”. Exemplos desse tipo de inteligência artificial incluem processamento de linguagem natural, reconhecimento facial e realidade aumentada. O segundo tipo supõe uma sobreposição entre o mundo físico e elementos do mundo virtual. Usamos elementos gerais da IA para apoiar o processo específico dos outros dois tipos de IA.

 O segundo tipo, IA baseado no produto, consiste em produtos específicos, como sistemas para identificar e desativar vírus informáticos, programas que filtram o correio não desejado e outros que detectam padrões de fraude. Este último é muito valioso para nós. Quanto mais alimentarmos a IA com informações sobre casos de fraude, melhor será seu desempenho nessa tarefa específica. Os sistemas aprendem fazendo e tirando conclusões dos comentários de diferentes usuários.

O terceiro tipo de IA é a IA customizada ou a IA de domínio específico. Em resumo, a IA é treinada para ser usada num nicho específico. Como exemplo no setor de seguros, a IA é treinada para identificar padrões de fraude e está ligada ao processamento direto (STP, por suas siglas em inglês) e às características de uma companhia de seguros específica: seus produtos específicos, grupos objetivo, canais de distribuição e processos de reclamações. Isto nos permite determinar como a IA pode ser melhor integrada às operações de negócios de cada companhia de seguros em particular.

A IA e o análise de imagens

Frequentemente, melhores resultados são obtidos combinando os três tipos de IA; por exemplo, usando IA para analisar imagens num ambiente STP enquanto em simultâneo se verifica a fraude. As companhias de seguros recebem enormes quantidades de material visual, que é usado para demonstrar e apoiar o processo de reclamações (por exemplo, para determinar a legitimidade de uma reclamação). Segurados, intermediários, oficinas de reparação e especialistas apresentam fotografias para ilustrar os danos (por exemplo, danos ao carro, danos no vidro ou danos causados ​​pelo fogo) ou como prova de que os itens perdidos ou roubados pertenciam ao proprietário (por exemplo, joias, roupas ou câmeras).

Evacuação da reclamação

Para otimizar o uso de fotografias, deve-se determinar que as fotos apresentadas estão corretas e que o objeto danificado foi fotografado de todos os ângulos. Também é importante determinar que o objeto na fotografia seja realmente o objeto segurado, que outros danos anteriores ao incidente não estão incluídos na reclamação, e que a fotografia não foi usada antes, baixada da Internet ou retocada. O próximo passo é determinar os danos e os custos da reparação do dano. Se considera que o veículo sofreu danos por perda total? Qual é a gravidade do dano causado pelo fogo? Existe alguma evidência visível de fraude?

Essas análises podem ser feitas com a ajuda dos três tipos de AI mencionados. A IA geral é treinada com milhões de imagens para identificar objetos gerais, como janelas, edifícios, automóveis, etc. A grande quantidade de dados e o impressionante poder computacional permitem que essas análises sejam realizadas em grande velocidade e com grande precisão.

A IA como base no produto é treinada com demandas específicas (por exemplo, dano de vidros) para determinar o valor do dano produzido e para identificar possíveis instancias de fraude.

Como etapa final, também pode se treinar a IA com algoritmos de aprendizagem automáticos em domínios específicos de aplicação: isto é, o processo usado por cada seguradora em particular. A combinação destes três tipos de IA assegura que o processamento de reclamações seja realizado de forma eficiente e sem contratempos. Quanto mais seja utilizada a IA e quantos mais dados e comentários receba sobre o processo de sinistros, melhor e mais rápido ela funcionará. Isso acelerará o processo de avaliação de sinistros e poderá até levar a um processo totalmente automatizado em alguns casos, como o STP. Como benefício adicional, as reclamações fraudulentas são filtradas de forma mais eficiente.

Além da análise de imagens, existem dezenas de tipos de IA atualmente disponíveis e em desenvolvimento. As seguradoras podem usar essas tecnologias para melhorar e otimizar seus processos de identificação de fraude e análise de risco. Na próxima edição, será abordada essa questão em mais detalhes com alguns exemplos de casos de prevenção de fraudes.

Fonte: FRISS Marketing – Paola Bellisimo – paola.bellisimo@ultrapr.net