La lutte contre la fraude progresse avec l’apprentissage adaptatif

L’intelligence artificielle apporte une aide précieuse en matière de lutte contre la fraude. Associés aux outils d’analytique avancée, les algorithmes de machine learning permettent aux contrôleurs de découvrir dans les données des modèles dont ils ignoraient l’existence. Les résultats peuvent s’améliorer au fil du temps avec l’apprentissage adaptatif.

Détecter la fraude dans un océan de données revient à chercher une aiguille dans une meule de foin. Les technologies d’intelligence artificielle (IA) et d’apprentissage automatique (machine learning), associées aux outils d’analytique avancée, permettent justement de mener à bien ce travail herculéen. Entraînées pour examiner le moindre détail, elles sont capables de parcourir d’énormes quantité de données pour trouver des réponses inattendues à des questions non posées.

L’apprentissage adaptatif pour améliorer les outils d’analytique avancée

 

S’agissant de remboursements de soins, par exemple, l’IA et l’apprentissage automatique peuvent découvrir un scénario dans lequel des fournisseurs facturent constamment des services pour des personnes décédées. Les algorithmes d’analytique avancée sont aussi en mesure de repérer les tentatives d’un potentiel fraudeur lorsqu’il cherche à identifier un produit qu’il pourrait facturer abusivement. Comme dans une investigation criminelle, relever des indices au plus tôt après que les faits ont été commis permet d’obtenir des meilleurs résultats. Détecter automatiquement la fraude avant de procéder à un remboursement constitue par ailleurs le meilleur moyen de limiter les pertes.

Pour améliorer l’efficacité des outils d’analytique avancée assistés par l’intelligence artificielle, SAS met en œuvre des techniques d’apprentissage adaptatif (adaptive learning). Celles-ci sont par exemple employées dans les clients de messagerie électronique afin de classer automatiquement les courriers indésirables (spams). Dans le cadre de la fraude aux prestations médicales, ces algorithmes affectent un score de risque à une demande, un assuré ou un fournisseur, afin d’établir un niveau d’alerte. Celui-ci évoluera avec les nouvelles informations fournies par l’utilisateur du système de détection, créant ainsi une boucle de remontée d’information sur la qualité qui contribue à le parfaire dans la durée.

 

Lire l’article 

 

En complément :

un article au sujet de l’apprentissage automatique pour limiter la fraude à l’assurance maladie

et un autre à propos de la détection de la fraude par l’intelligence artificielle d’eBay