Comment l'IA détecte les accidents automobiles simulés grâce à la reconnaissance de schémas
Les accidents automobiles simulés ne sont pas de la fraude mineure. Ce sont des opérations organisées menées par des réseaux de fraude qui déposent des centaines de réclamations auprès de multiples assureurs, en utilisant des participants recrutés, des prestataires médicaux complices et parfois des avocats corrompus. Le National Insurance Crime Bureau estime que les accidents simulés coûtent des milliards de dollars par an au secteur de l'assurance, et ce coût est directement répercuté sur les assurés honnêtes par le biais de primes plus élevées.
La détection traditionnelle de la fraude dans les sinistres automobiles repose largement sur des signaux d'alerte que les experts en sinistres sont formés à repérer. La réclamation a été déposée de manière suspecte peu après la souscription d'une police. L'accident s'est produit dans un lieu de simulation connu. Il y a un nombre inhabituel de demandeurs dans le véhicule. Le traitement médical suit un schéma associé aux réclamations frauduleuses. Ces signaux d'alerte fonctionnent, mais ils sont limités par ce qu'un seul expert peut voir dans un seul dossier.
Le problème avec les accidents simulés est qu'ils sont conçus pour paraître légitimes au niveau du dossier individuel. Chaque réclamation peut ne présenter qu'un ou deux signaux d'alerte mineurs qu'un expert pourrait facilement écarter. Le véritable schéma ne devient visible que lorsqu'on examine des dizaines ou des centaines de réclamations liées, et c'est exactement ce que la reconnaissance de schémas par l'IA est conçue pour faire.
Comment fonctionne la reconnaissance de schémas
La détection de fraude par l'IA pour les accidents simulés fonctionne en construisant un graphe de réseau de relations entre les réclamations. Chaque réclamation implique de multiples entités : le titulaire de la police, les demandeurs, les véhicules, les prestataires médicaux, les avocats, les carrosseries et les emplacements géographiques. Le système cartographie ces entités et leurs relations à travers l'ensemble du portefeuille de sinistres.
Lorsqu'une nouvelle réclamation arrive, le système vérifie si l'une des entités impliquées est apparue dans des réclamations précédentes et si les relations entre les entités correspondent à des schémas de fraude connus. Un demandeur qui a été impliqué dans trois collisions par l'arrière au cours des deux dernières années est suspect en soi. Ce même demandeur, traité par le même chiropracteur, représenté par le même avocat, dans trois dossiers différents auprès de trois assureurs différents, constitue un réseau de fraude en attente d'investigation.
Les modèles recherchent également des schémas dans les données des réclamations elles-mêmes. Les collisions par l'arrière simulées à basse vitesse suivent un schéma prévisible : plusieurs occupants, tous déclarant des blessures aux tissus mous, tous recherchant un traitement chiropratique ou de gestion de la douleur, avec un traitement s'étendant exactement sur la durée qui maximise la valeur de la réclamation dans cette juridiction. Le modèle d'IA a appris ce schéma à partir de cas de fraude historiques confirmés et peut l'identifier dans de nouvelles réclamations.
Schémas géographiques et temporels
Les réseaux de fraude opèrent dans des zones géographiques spécifiques. Ils savent quelles intersections sont de bons emplacements de simulation, quels sont les angles morts des caméras de circulation et quelles juridictions ont des environnements juridiques favorables aux demandeurs. Les systèmes d'IA cartographient les emplacements des sinistres et identifient les concentrations géographiques qui dépassent les fréquences de sinistres attendues.
Les schémas temporels comptent également. Une augmentation soudaine des réclamations impliquant des circonstances similaires dans des lieux similaires sur une courte période est un indicateur fort d'activité de fraude organisée. Le système peut détecter ces pics en temps réel, plutôt que d'attendre une analyse trimestrielle pour révéler la tendance.
Certains réseaux de fraude font tourner leurs opérations à travers différentes zones géographiques pour éviter la détection. Ils simulent des accidents dans un comté pendant quelques mois, puis se déplacent vers un autre comté, puis reviennent. Les systèmes d'IA peuvent suivre ces schémas de migration car ils conservent une mémoire longue des relations et des emplacements à travers l'ensemble de l'historique des sinistres.
L'angle des prestataires médicaux
Les prestataires médicaux sont un nœud critique dans les stratagèmes d'accidents simulés car ils génèrent la documentation qui soutient la réclamation. Un prestataire médical complice documentera des blessures qui peuvent ne pas exister, prescrira des traitements inutiles et gonflera la facturation pour maximiser la valeur de la réclamation.
Les systèmes d'IA identifient les prestataires médicaux suspects en analysant leurs schémas de traitement à travers toutes les réclamations, pas seulement les individuelles. Un chiropracteur qui traite chaque patient accidenté de la route avec le même protocole indépendamment de la blessure déclarée, dont les patients atteignent toujours l'amélioration médicale maximale au même nombre exact de visites, et qui génère des factures systématiquement au sommet de la grille tarifaire, se distingue dans les données même si chaque réclamation individuelle semble ordinaire.
Le système identifie également les réseaux de référencement. Si un avocat spécifique oriente systématiquement ses clients vers le même ensemble de prestataires médicaux, et que ces prestataires présentent des schémas de facturation inhabituels, l'ensemble du réseau devient une cible d'investigation.
Ce qui se passe après la détection
Détecter un réseau de fraude potentiel n'est que la première étape. Le système génère des alertes pour l'Unité Spéciale d'Investigation (SIU) de l'assureur avec les preuves à l'appui présentées clairement. Cela inclut le graphe de réseau montrant les relations entre les entités, les réclamations spécifiques impliquées, les schémas identifiés et les données historiques soutenant l'hypothèse de fraude.
Ce dossier de preuves structuré réduit considérablement le temps que les enquêteurs SIU consacrent à la constitution d'un dossier. Au lieu de partir d'une seule réclamation suspecte et de devoir retracer manuellement toutes les connexions, ils reçoivent une vue d'ensemble du réseau suspecté avec tous les points de données déjà connectés.
Certains assureurs ont également commencé à partager des renseignements sur la fraude entre compagnies via des bases de données sectorielles. Lorsqu'un assureur identifie un réseau de fraude, l'information peut être partagée afin que d'autres assureurs puissent signaler les réclamations liées dans leurs propres portefeuilles. Les systèmes d'IA connectés à ces bases de données partagées peuvent croiser les réclamations avec les entités frauduleuses connues à travers l'ensemble du secteur.
Le problème des faux positifs
Tout système de détection de fraude doit équilibrer sensibilité et spécificité. Un système qui signale trop de réclamations légitimes comme potentiellement frauduleuses crée une charge de travail massive pour la SIU et retarde les paiements aux assurés honnêtes. Un système trop conservateur laisse passer de vraies fraudes.
Les modèles d'IA gèrent cela en attribuant des scores de probabilité plutôt que des désignations binaires fraude ou non-fraude. Une réclamation avec une probabilité de fraude de 95 pour cent fait l'objet d'un renvoi immédiat à la SIU. Une réclamation avec une probabilité de 60 pour cent fait l'objet d'un examen approfondi par l'expert avec des domaines spécifiques à investiguer. Une réclamation avec une probabilité de 20 pour cent suit son cours normal mais reste dans la mémoire du système pour une analyse future des schémas.
Les modèles apprennent également des résultats de la SIU. Lorsqu'une investigation confirme une fraude, le modèle renforce les schémas qui ont conduit à la détection. Lorsqu'une investigation innocente une réclamation, le modèle s'ajuste pour réduire les faux positifs similaires à l'avenir. Cette boucle d'apprentissage continu améliore la précision au fil du temps.
Les assureurs qui ont déployé la détection de fraude par l'IA rapportent identifier deux à trois fois plus d'activités de fraude organisée que leurs méthodes précédentes ne détectaient. Le taux de recouvrement sur les réclamations investiguées s'améliore également car les dossiers arrivent à la SIU avec des preuves plus solides.
Découvrez comment l'IA renforce la détection de fraude pour les assureurs sur la page FirmAdapt dédiée au secteur de l'assurance.