El CTO de Friss, Christian van Leeuwen, habló de la importancia de impulsar el uso de la inteligencia artificial para el análisis automático de imágenes para así optimizar los procesos de identificación de fraude y análisis de riesgo.
A grandes rasgos es posible 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. Este tipo está basado en el producto y consiste en productos específicos 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 es especialmente valioso. Cuanto más se alimenta 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 personalizada o IA de dominio específico. Se entrena a ésta tecnología para su uso en un nicho específico. 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.
A menudo se obtienen mejores resultados al combinar los tres tipos de IA, al usarla 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.
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 determinar el monto de daño producido y para identificar posibles instancias de fraude.
Como paso final, también se puede entrenar 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 asegura que el procesamiento de los reclamos se realice sin contratiempos y de manera eficiente. Cuanto más se utilice esta tecnología 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.
