Fraudedetectie met data en AI
We zetten regels en een model naast elkaar en geven je onderzoekers een score met reden. Voor GVB bouwden we een model voor afwijkende uren.
Ons anomaly detection model geeft de afdeling Rail Materiaal van GVB inzicht in afwijkend gelogde uren
Dit ging om planning, niet om fraude. De afdeling Rail Materiaal wilde inzicht in de afwijkende gelogde uren. Door ons anomaly detection model is er nu inzicht op projectniveau in productiviteit, volledigheid van uren, overwerkuren en ziekteverzuim, zodat per project effectiever wordt gepland.
Hoe vindt ons team de paar verdachte declaraties tussen alle gewone?
Controleurs werken met vaste regels en steekproeven. De regels geven veel meldingen die niets blijken, terwijl nieuwe patronen erdoorheen glippen. Een model naast die regels rangschikt transacties, facturen of claims op hoe afwijkend ze zijn, zodat het team begint bij wat het meest opvalt.
Elke transactie krijgt een score en een reden, de onderzoeker beslist
Afwijkingen in je eigen data
Transacties, declaraties, facturen, uren of claims: het model leert wat normaal is en markeert wat afwijkt. Voor GVB deden we dat met gelogde uren.
Regels en model naast elkaar
Bekende patronen blijven vaste regels. Het model vangt wat de regels niet kennen. Per signaal zie je welke regel of welk kenmerk het afgaf.
Een werkvoorraad die past
Je team onderzoekt een beperkt aantal gevallen per periode. We stellen de drempel zo af dat de lijst daarbij past, met de hoogste scores bovenaan.
Onderzochte gevallen terug
Elke uitkomst van een onderzoek, fraude of niet, gaat terug als label. Zo leert het model van vals alarm en kan de lijst scherper worden.
Wat je onderzoekers al weten, wordt de eerste versie van het model
-
Signalen en onderzochte gevallen
Met onderzoekers leggen we vast welke patronen ze kennen en welke gevallen al zijn onderzocht, met uitkomst.
-
Terugtesten op de historie
Regels en model draaien op oudere data. We meten hoeveel echte gevallen bovenaan staan en hoeveel vals alarm erbij zit.
-
Signalen in de werkvoorraad
Scores met reden landen in het systeem van het team. Elke uitkomst komt terug, en we volgen de kwaliteit.
Leggen we genoeg uitkomsten van onderzoeken vast om een model op te trainen?
Past als
Er gaan veel transacties, declaraties of claims door je organisatie, een team controleert met regels of steekproeven en de uitkomsten van eerdere onderzoeken zijn ergens vastgelegd.
Past niet als
Er zijn weinig transacties en een controleur kan ze allemaal zien, of niemand heeft tijd om signalen te onderzoeken. Dan levert een score alleen een langere lijst op.
Waar de omvang van afhangt
Hoeveel bronnen we koppelen, of uitkomsten van onderzoeken al zijn vastgelegd, of het per transactie direct moet of in een periodieke lijst, en hoeveel uitleg de onderzoeker per signaal nodig heeft.
Beslist het model straks over mensen?
Nee. Het model geeft een score en een reden; een onderzoeker kijkt, vraagt na en beslist. Hoe je die menselijke beoordeling vastlegt, beoordeel je met je functionaris gegevensbescherming.
Vaste regels, anomaliedetectie of een model op onderzochte gevallen: waar begin je?
Vaste regels
Kies dit als de patronen bekend en scherp te omschrijven zijn, zoals dubbele facturen of declaraties boven een grens. Uitlegbaar, maar nieuwe patronen mis je.
Anomaliedetectie
Kies dit als er weinig onderzochte gevallen zijn. Het model zoekt wat afwijkt van normaal gedrag; niet alles wat afwijkt is fraude, dus de onderzoeker blijft nodig.
Een model op onderzochte gevallen
Kies dit als jullie uitkomsten van onderzoeken vastleggen. Ons advies: houd de regels erbij en zet het model ernaast, zodat je per signaal ziet wat het afgaf.
Afwijkingen in operationele data maakten we al zichtbaar, zoals bij GVB
Data Science Lab bouwt sinds 2016 data- en AI-toepassingen, vanuit Amsterdam en als Databricks- en Microsoft-partner. Voor GVB maakten we met een anomaly detection model afwijkend gelogde uren inzichtelijk.

Onderzochte gevallen en je huidige controleregels vormen het eerste gesprek
Stef Stoelwinder
Business DevelopmentStef is je aanspreekpunt. In het eerste gesprek bespreken we welke stroom je controleert en welke regels er nu draaien.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Welke transacties of claims wil je beter controleren?
Beschrijf de stroom, de regels die je nu gebruikt en wie de signalen onderzoekt. Je krijgt antwoord per mail, of we plannen een eerste gesprek.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Fraudedetectie is afwijkende transacties, declaraties, facturen of claims opsporen in grote hoeveelheden gegevens. Regels vangen bekende patronen, een model vindt wat daarbuiten afwijkt of lijkt op eerder bewezen fraude. Fraude opsporen met data, of fraude detecteren met AI, levert geen oordeel op, maar een geordende lijst signalen voor je onderzoekers.
Het hoort bij de AI-toepassingen die we bouwen.
Anomaliedetectie zoekt gevallen die afwijken van wat normaal is, zonder dat je vooraf zegt wat fraude is. Technieken als isolation forest of een autoencoder geven elk geval een afwijkingsscore. Maar ongewoon is niet verkeerd: een grote order, een nieuwe leverancier of een seizoenspiek valt ook op. Daarom bespreken we vooraf met het team welke afwijkingen ertoe doen.
Elk signaal kost een onderzoeker tijd, en een lijst vol vals alarm wordt genegeerd. We kiezen de drempel daarom samen met het team: hoeveel gevallen kan het per periode onderzoeken, en hoeveel gemiste gevallen accepteer je? Bij het terugtesten meten we hoeveel echte gevallen in dat bovenste deel van de lijst staan, de precisie bij die werkvoorraad.
Per signaal tonen we de kenmerken die het meest bijdroegen, zoals een ongebruikelijk bedrag voor deze leverancier of een declaratie buiten de gewerkte uren. Bij boommodellen kan dat met technieken als SHAP. Een onderzoeker moet de reden kunnen controleren en aan een collega kunnen uitleggen; een score zonder reden leveren we niet op.
Die leggen we vast als label: fraude, fout of terecht. Daarmee train je een model op onderzochte gevallen en zie je welke regels vooral vals alarm geven.
Let op de vertekening: je kent alleen de uitkomst van gevallen die iemand onderzocht. Daarom laten we ook een kleine willekeurige steekproef meelopen, zodat het model niet alleen leert wat de oude regels al vonden.
Gaat het om personen, dan geldt de AVG. Artikel 22 geeft mensen het recht niet te worden onderworpen aan een besluit dat uitsluitend op geautomatiseerde verwerking berust en rechtsgevolgen heeft of hen in aanmerkelijke mate treft. Daarom geeft ons model een signaal en beslist een mens. Hoe betekenisvol die beoordeling moet zijn, bepalen jullie jurist en functionaris gegevensbescherming.
Wat een DPIA daarbij vraagt, lees je bij DPIA voor AI.
Overal waar veel transacties of aanvragen langskomen die een team niet allemaal kan bekijken: claims bij verzekeraars, facturen en betalingen in de financiële dienstverlening, declaraties en uren bij grote werkgevers.
Lees meer over data en AI voor verzekeraars en voor de financiële en zakelijke dienstverlening.
Als de stroom klein is en een controleur alles kan zien, als een paar vaste regels de bekende patronen al vangen, of als niemand tijd heeft om signalen op te volgen. Soms helpt het meer om eerst de data op orde te brengen, zodat dubbele leveranciers of lege velden niet meer voorkomen.
Wil je breder weten wat een model kan, lees dan over machine learning laten ontwikkelen.
Afwijkingen opsporen in jouw sector, of breder met machine learning?
- AI-toepassingenAlle toepassingen die we bouwen, van voorspellende modellen tot taalverwerking en beeldherkenning.
- Machine learning laten ontwikkelenHoe we een model bouwen rond één beslissing, getoetst tegen een eenvoudige regel.
- Data en AI voor verzekeraarsModellen op claim- en klantdata die afwijkingen en opzegrisico eerder zichtbaar maken.