چگونه هوش مصنوعی به مبارزه با تقلب در خدمات مالی، مراقبت های بهداشتی، دولتی و موارد دیگر کمک می کند

کسب و کارها و سازمان ها به طور فزاینده ای از هوش مصنوعی برای محافظت از مشتریان خود و خنثی کردن تلاش های کلاهبرداران در سراسر جهان استفاده می کنند.

شرکت امنیت صوتی هیا دریافت که در سال 2023، 550 میلیون تماس کلاهبرداری در هفته انجام می شود و اینترپل تخمین می زند که کلاهبرداران در همان سال یک تریلیون دلار از قربانیان سرقت کرده اند. در ایالات متحده، یکی از چهار تماسی که در لیست تماس ها گنجانده نشده بود، به عنوان اسپم مشکوک علامت گذاری شد، زیرا کلاهبرداران اغلب افراد را به کلاهبرداری های مربوط به Venmo یا ضمانت های تمدید شده فریب می دهند.

روش های سنتی کشف تقلب شامل سیستم های مبتنی بر قانون، مدل سازی آماری و بررسی دستی است. این روش ها برای افزایش دامنه تقلب در عصر دیجیتال بدون قربانی کردن سرعت و دقت تلاش کرده اند. برای مثال، سیستم های مبتنی بر قانون اغلب دارای نرخ های مثبت کاذب بالایی هستند، مدل سازی آماری می تواند زمان بر و منابع فشرده باشد، و بررسی های دستی نمی توانند به اندازه کافی سریع مقیاس شوند.

علاوه بر این، جریان های کاری علوم داده سنتی فاقد زیرساخت مورد نیاز برای تجزیه و تحلیل حجم داده های مربوط به کشف تقلب، کاهش زمان پردازش و محدود کردن تجزیه و تحلیل و شناسایی بلادرنگ هستند.

علاوه بر این، خود کلاهبرداران می توانند از مدل های زبان بزرگ (LLM) و سایر ابزارهای هوش مصنوعی برای فریب قربانیان برای سرمایه گذاری در کلاهبرداری، صرف نظر کردن از اعتبار بانکی یا خرید ارزهای دیجیتال استفاده کنند.

اما هوش مصنوعی – همراه با سیستم های محاسباتی شتاب دار – می تواند برای تأیید هوش مصنوعی و کمک به کاهش همه این مشکلات استفاده شود.

کسب وکارهایی که ابزارهای تشخیص تقلب با هوش مصنوعی قدرتمند را ادغام می کنند، تا 40 درصد پیشرفت در دقت تشخیص تقلب داشته اند که به کاهش آسیب مالی و اعتباری به سازمان ها کمک می کند.

این فناوری ها زیرساخت ها و راه حل های قدرتمندی را برای تجزیه و تحلیل حجم عظیمی از داده های تراکنش فراهم می کنند و می توانند به سرعت و کارآمد الگوهای تقلب را شناسایی کرده و رفتارهای غیرعادی را شناسایی کنند.

راه حل های تشخیص کلاهبرداری مبتنی بر هوش مصنوعی با نگاه کردن به کل تصویر به جای تراکنش های فردی، دقت تشخیص بالاتری را ارائه می کنند و الگوهای تقلب را آشکار می کنند که روش های سنتی ممکن است نادیده گرفته شوند. هوش مصنوعی همچنین می تواند به کاهش مثبت های کاذب کمک کند و از داده های با کیفیت بالا برای ارائه زمینه ای در مورد آنچه که یک تراکنش قانونی است، استفاده کند. مهمتر از همه، هوش مصنوعی و محاسبات تسریع شده، مقیاس پذیری بهتری را ارائه می کنند و می توانند شبکه های کلان داده را برای شناسایی تقلب در زمان واقعی مدیریت کنند.

چگونه موسسات مالی از هوش مصنوعی برای کشف تقلب استفاده می کنند

خدمات مالی و بانکداری خط مقدم نبرد با کلاهبرداری هایی مانند سرقت هویت، تصاحب حساب، تراکنش های نادرست یا غیرقانونی و کلاهبرداری چک هستند. پیش بینی می شود زیان مالی جهانی ناشی از کلاهبرداری تراکنش های کارت اعتباری تا سال 2026 به 43 میلیارد دلار برسد.

هوش مصنوعی به افزایش امنیت و مقابله با چالش های فزاینده کلاهبرداری کمک می کند.

بانک ها و سایر سازمان های خدمات مالی می توانند از فناوری های ضد کلاهبرداری NVIDIA استفاده کنند. به عنوان مثال، NVIDIA RAPIDS Accelerator به Apache Spark امکان پردازش سریع تر داده ها را می دهد تا حجم عظیمی از داده های تراکنش را مدیریت کند. بانک ها و سازمان های خدمات مالی همچنین می توانند از گردش کار جدید تشخیص تقلب با هوش مصنوعی NVIDIA استفاده کنند - ابزارهای هوش مصنوعی مانند XGBoost و شبکه های عصبی گرافیکی (GNN) با NVIDIA RAPIDS، NVIDIA Triton و NVIDIA Morpheus - برای شناسایی تقلب و کاهش موارد مثبت کاذب.

BNY Mellon دقت تشخیص تقلب را با استفاده از سیستم های NVIDIA DGX 20% بهبود بخشید. PayPal با استفاده از روش های اکتشافی مبتنی بر GPU NVIDIA، تشخیص تقلب در زمان واقعی را تا 10 درصد بهبود بخشید، در حالی که ظرفیت سرور را تقریباً 8 برابر کاهش داد. Swedbank شبکه های متخاصم مولد را روی پردازنده های گرافیکی NVIDIA آموزش داد تا فعالیت های مشکوک را شناسایی کند.

سازمان های فدرال ایالات متحده با استفاده از هوش مصنوعی با کلاهبرداری مبارزه می کنند

بر اساس تجزیه و تحلیل سال های مالی 2018 تا 2022، دفتر پاسخگویی دولت ایالات متحده تخمین می زند که دولت سالانه 521 میلیارد دلار به دلیل تقلب ضرر می کند. تقلب مالیاتی، کلاهبرداری چک، و پرداخت های نادرست به پیمانکاران، و همچنین پرداخت های نادرست بر اساس قوانین اجتماعی. برنامه های امنیتی و مراقبت های پزشکی به بار عظیمی بر دوش مالی دولت تبدیل شده است.

در حالی که برخی از این کلاهبرداری ها با همه گیری اخیر تشدید شده اند، یافتن راه های جدید برای مبارزه با تقلب به یک ضرورت استراتژیک تبدیل شده است. به این ترتیب، آژانس های فدرال برای بهبود تشخیص تقلب و جلوگیری از پرداخت های نادرست به هوش مصنوعی و شتاب محاسباتی روی آورده اند.

به عنوان مثال، وزارت خزانه داری ایالات متحده در اواخر سال 2022 شروع به استفاده از یادگیری ماشینی برای تجزیه و تحلیل مجموعه داده های خود و کاهش تقلب در چک کرد. این وزارتخانه تخمین زد که هوش مصنوعی به مقامات کمک کرد تا بیش از 4 میلیارد دلار از کلاهبرداری را در سال مالی 2024 بازیابی کنند.

همراه با وزارت خزانه داری، آژانس هایی مانند خدمات درآمد داخلی به هوش مصنوعی و یادگیری ماشینی نگاه کرده اند تا شکاف مالیاتی - از جمله تقلب مالیاتی - را که در سال مالیاتی 2022 606 میلیارد دلار تخمین زده می شد کاهش دهند. IRS استفاده از شتاب دهنده NVIDIA را بررسی کرده است. تکنولوژی چارچوب های علم داده مانند RAPIDS و Morpheus برای شناسایی الگوهای غیرعادی در سوابق مالیات دهندگان، دسترسی به داده ها و آسیب پذیری ها و مواجهه های رایج. LLM ها همچنین در ارتباط با تولید فراخوان افزوده و RAPIDS برای برجسته کردن سوابقی که ممکن است با خط مشی مطابقت نداشته باشند، استفاده شده است.

چگونه هوش مصنوعی می تواند به مراقبت های بهداشتی کمک کند تا تقلب های احتمالی را از بین ببرد

طبق گفته وزارت دادگستری ایالات متحده، تقلب، ضایعات و سوء استفاده از مراقبت های بهداشتی ممکن است تا 10٪ از کل هزینه های مراقبت های بهداشتی را تشکیل دهد. برآوردهای دیگر این درصد را به 3 درصد نزدیک می کند. تقلب Medicare و Medicaid می تواند نزدیک به 100 میلیارد دلار ارزش داشته باشد. صرف نظر از این، تقلب در مراقبت های بهداشتی مشکلی است که صدها میلیارد دلار ارزش دارد.

یک چالش دیگر با تقلب در مراقبت های بهداشتی این است که می تواند از همه جهات رخ دهد. برخلاف IRS یا صنعت خدمات مالی، صنعت مراقبت های بهداشتی یک اکوسیستم تکه تکه شده از سیستم های بیمارستانی، شرکت های بیمه، شرکت های داروسازی، مراکز پزشکی یا دندانپزشکی مستقل و غیره است. تقلب می تواند در هر دو سطح ارائه دهنده و بیمار رخ دهد و کل سیستم را تحت فشار قرار دهد.

انواع متداول تقلب در مراقبت های بهداشتی عبارتند از:

• هیچ فاکتوری برای خدمات ارائه نمی شود
• Upcoding: صورت حساب برای سرویسی که گران تر از سرویس ارائه شده است
• تفکیک: چند قبض برای یک سرویس
• جعل سوابق
• از بیمه شخص دیگری استفاده کنید
• نسخه های پزشکی جعلی

همان تکنیک های هوش مصنوعی که به مبارزه با تقلب در خدمات مالی و بخش عمومی کمک می کند، می تواند در مراقبت های بهداشتی نیز اعمال شود. بیمه گران می توانند از الگو و تشخیص ناهنجاری برای جستجوی ادعاهایی که غیرعادی به نظر می رسند، چه از طرف ارائه دهنده یا بیمار، استفاده کنند و داده های صورت حساب را برای فعالیت های متقلبانه احتمالی بررسی کنند. نظارت در زمان واقعی می تواند فعالیت مشکوک را در منبع شناسایی کند. پردازش خودکار ادعاها می تواند به کاهش خطاهای انسانی و تشخیص مغایرت ها کمک کند و در عین حال کارایی عملیاتی را بهبود بخشد.

پردازش داده ها از طریق NVIDIA RAPIDS می تواند با یادگیری ماشین، GNN یا انواع دیگر هوش مصنوعی ترکیب شود تا به تشخیص بهتر تقلب در هر لایه از سیستم مراقبت های بهداشتی کمک کند و به بیماران و پزشکان در همه جا کمک کند تا با افزایش هزینه های مراقبت مقابله کنند.

هوش مصنوعی برای کشف تقلب می تواند میلیاردها دلار صرفه جویی کند

خدمات مالی، بخش عمومی و صنعت مراقبت های بهداشتی از هوش مصنوعی برای شناسایی تقلب استفاده می کنند تا دفاعی مستمر در برابر یکی از بزرگترین هدررفت های فعالیت اقتصادی در جهان ارائه دهند.

پلت فرم NVIDIA AI از کل خط لوله تشخیص تقلب و تأیید هویت - از آماده سازی داده ها گرفته تا آموزش مدل تا استقرار - با ابزارهایی مانند NVIDIA RAPIDS، NVIDIA Triton Inference Server و NVIDIA Morpheus در پلت فرم نرم افزار NVIDIA AI Enterprise پشتیبانی می کند.

بیشتر بدانید راه حل های تشخیص تقلب NVIDIA با استفاده از هوش مصنوعی و محاسبات تسریع شده.