Ir para o conteúdo

Deteção de fraude com dados e IA

Colocamos regras e um modelo lado a lado e damos aos seus investigadores uma pontuação com a respetiva justificação. Para a GVB, criámos um modelo para detetar horas atípicas.

O nosso modelo de deteção de anomalias dá ao departamento Rail Materiaal do GVB uma visão das horas registadas fora do padrão

Tratava-se de planeamento, não de fraude. O departamento Rail Materiaal queria compreender os registos de horas fora do padrão. O nosso modelo de deteção de anomalias permite agora analisar, ao nível de cada projeto, a produtividade, a integralidade dos registos de horas, as horas extraordinárias e as ausências por doença, para planear cada projeto de forma mais eficaz.

Leia o caso de estudo

Como é que a nossa equipa identifica os poucos pedidos de reembolso suspeitos entre todos os habituais?

Os responsáveis pela análise usam regras fixas e verificações por amostragem. As regras geram muitos alertas que se revelam infundados, enquanto novos padrões passam despercebidos. Um modelo usado em conjunto com essas regras ordena transações, faturas ou pedidos de reembolso pelo grau de desvio face ao habitual, para que a equipa comece pelos casos que mais se destacam.

Agende uma conversa

Cada transação recebe uma pontuação e uma justificação; o investigador decide

Fale connosco sobre os seus controlos

Anomalias nos seus próprios dados

Transações, pedidos de reembolso, faturas, horas ou pedidos de indemnização: o modelo aprende o que é normal e assinala o que se desvia desse padrão. Para a GVB, fizemos isto com horas registadas.

Regras e modelo lado a lado

Os padrões conhecidos continuam a ser regras fixas. O modelo deteta o que as regras não abrangem. Para cada alerta, pode ver que regra ou característica o desencadeou.

Uma lista de casos adequada à capacidade da equipa

A sua equipa investiga um número limitado de casos por período. Ajustamos o limiar para que a lista corresponda a essa capacidade, com as pontuações mais altas no topo.

Resultados das investigações de volta ao modelo

Cada resultado de uma investigação, haja ou não fraude, regressa ao modelo como rótulo. Assim, o modelo aprende com os falsos alarmes e a lista pode ser aperfeiçoada.

O que os seus investigadores já sabem torna-se a primeira versão do modelo

  1. Sinais e casos investigados

    Em conjunto com os investigadores, registamos os padrões que conhecem e os casos já investigados, incluindo os respetivos resultados.

  2. Testes retrospetivos com dados históricos

    Aplicamos as regras e o modelo a dados mais antigos. Medimos quantos casos reais aparecem no topo e quantos falsos alarmes surgem.

  3. Sinais na fila de trabalho

    As pontuações e as respetivas justificações chegam ao sistema da equipa. Cada resultado é incorporado no processo, e acompanhamos a qualidade.

Registamos resultados suficientes das investigações para treinar um modelo?

Avalie esta questão connosco

Adequado se

A sua organização processa muitas transações, pedidos de reembolso ou sinistros, uma equipa verifica-os com base em regras ou por amostragem, e os resultados de investigações anteriores estão registados em algum lugar.

Não é adequado se

Há poucas transações e um investigador consegue analisá-las todas, ou ninguém tem tempo para investigar os casos sinalizados. Nesse caso, uma pontuação apenas cria uma lista mais longa.

O que determina o âmbito

O número de fontes que ligamos, se os resultados das investigações já estão registados, se precisa de um resultado imediato por transação ou de uma lista periódica, e quanta explicação o investigador necessita para cada caso sinalizado.

O modelo vai tomar decisões sobre pessoas?

Não. O modelo fornece uma pontuação e uma justificação; um investigador analisa o caso, faz averiguações e decide. Avalie com o seu encarregado de proteção de dados como registar essa avaliação humana.

Regras fixas, deteção de anomalias ou um modelo treinado com casos investigados: por onde começar?

Regras fixas

Escolha esta opção quando os padrões são conhecidos e podem ser definidos com precisão, como faturas duplicadas ou declarações de despesas acima de um determinado limite. Os resultados são fáceis de explicar, mas podem escapar-lhe novos padrões.

Deteção de anomalias

Escolha esta opção quando há poucos casos investigados. O modelo procura comportamentos que se desviam do normal. Nem tudo o que é invulgar constitui fraude, pelo que continua a ser necessário um investigador.

Um modelo treinado com casos investigados

Escolha esta opção se regista os resultados das investigações. O nosso conselho: mantenha as regras e utilize o modelo em paralelo, para saber o que gerou cada alerta.

Já tornámos visíveis anomalias em dados operacionais, como fizemos para a GVB

A Data Science Lab desenvolve aplicações de dados e IA desde 2016. Estamos sediados em Amesterdão e somos parceiros da Databricks e da Microsoft. Para a GVB, utilizámos um modelo de deteção de anomalias para identificar registos de horas atípicos.

Agende uma reunião inicial

Os casos investigados e as suas regras de controlo atuais orientam a primeira conversa

Stef Stoelwinder

Stef Stoelwinder

Business Development

Stef é o seu ponto de contacto. Na primeira conversa, vamos abordar o fluxo que controla e as regras que estão atualmente em funcionamento.

Que transações ou pedidos de reembolso pretende verificar com mais rigor?

Descreva o fluxo, as regras que utiliza atualmente e quem analisa os alertas. Respondemos por e-mail ou marcamos uma primeira conversa.

Introduza um endereço de e-mail válido.

Diga-nos como podemos ajudar.

Perguntas frequentes

A deteção de fraude identifica transações, declarações de despesas, faturas ou pedidos de indemnização anómalos em grandes volumes de dados. As regras detetam padrões conhecidos; um modelo encontra casos que se desviam desses padrões ou se assemelham a fraudes anteriormente confirmadas. Detetar fraude com dados ou IA não produz um veredicto, mas sim uma lista de sinais ordenada por prioridade para a sua equipa de investigação.

É uma das aplicações de IA que desenvolvemos.

A deteção de anomalias procura casos que se desviam do que é normal, sem definir antecipadamente o que constitui fraude. Técnicas como isolation forest ou um autoencoder atribuem uma pontuação de anomalia a cada caso. Mas invulgar não significa incorreto: uma encomenda grande, um novo fornecedor ou um pico sazonal também se destacam. Por isso, discutimos previamente com a equipa quais são as anomalias relevantes.

Cada sinal exige tempo a quem investiga, e uma lista cheia de falsos alarmes acaba por ser ignorada. Por isso, definimos o limiar em conjunto com a equipa: quantos casos consegue investigar por período e quantos casos não detetados está disposta a aceitar? Ao testar o modelo com dados históricos, medimos quantos casos reais estão no topo da lista: a precisão para esse volume de trabalho.

Para cada sinal, mostramos as características que mais contribuíram, como um valor invulgar para aquele fornecedor ou uma declaração de despesas fora do horário de trabalho. Nos modelos baseados em árvores, podemos usar técnicas como SHAP. Quem investiga tem de conseguir verificar a razão e explicá-la a um colega; não entregamos uma pontuação sem explicação.

Registamo-lo como um rótulo: fraude, erro ou caso legítimo. Assim, pode treinar um modelo com os casos investigados e perceber que regras geram sobretudo falsos alarmes.

É importante ter em conta o viés: só conhece o resultado dos casos que alguém investigou. Por isso, incluímos também uma pequena amostra aleatória, para que o modelo não aprenda apenas com o que as regras anteriores já detetavam.

Quando estão em causa pessoas, aplica-se o RGPD. O artigo 22.º dá às pessoas o direito de não ficar sujeitas a uma decisão baseada exclusivamente no tratamento automatizado que produza efeitos na sua esfera jurídica ou que as afete significativamente. Por isso, o nosso modelo fornece um sinal e a decisão cabe a uma pessoa. Cabe ao seu jurista e ao encarregado de proteção de dados determinar o que constitui uma avaliação humana significativa.

Para saber o que uma DPIA exige neste contexto, leia DPIA para IA.

Em todos os setores com mais transações ou pedidos do que uma equipa consegue analisar individualmente: pedidos de indemnização em seguradoras, faturas e pagamentos nos serviços financeiros, e declarações de despesas e registos de horas em grandes entidades empregadoras.

Saiba mais sobre dados e IA para seguradoras e para os serviços financeiros e empresariais.

Quando o volume é pequeno e uma pessoa consegue verificar todos os casos, quando algumas regras fixas já detetam os padrões conhecidos ou quando ninguém tem tempo para dar seguimento aos sinais. Por vezes, é mais útil começar por organizar os dados, para evitar fornecedores duplicados ou campos vazios.

Se quiser saber de forma mais abrangente o que um modelo pode fazer, leia sobre o desenvolvimento de um modelo de machine learning.