利用数据和人工智能防止人寿保险账户被盗用

本文最初发表于反欺诈联盟电子邮件通讯，并经许可在此重新发布。

人寿保险欺诈是美国第二大最昂贵的保险欺诈类型，每年损失总额估计高达 744 亿美元。据传，许多保险公司指出，虽然保险欺诈的检测率正在下降，但他们担心这可能是因为配备人工智能的欺诈者群体在雷达下活动。

当然，人寿保险公司是极具吸引力的欺诈目标。人寿保险单、年金和退休账户价值往往高于传统银行的支票或储蓄账户。更吸引人的是，各类保险公司在强大的欺诈防御方面的投资历来远低于银行同行。许多保险公司，甚至是老牌保险公司，仍然依赖过时的欺诈控制措施，如基于知识的身份验证问题来转移新兴的欺诈威胁。

随着数字化程度的提高，困扰保险公司的一个特殊攻击媒介是人寿保险账户接管 (ATO)。人寿保险营销和研究协会 (LIMRA) 的 2023 年 FraudShare 年度报告发现，2023 年人寿保险 ATO 事件增长了 13%，平均每月检测到超过 9 起 ATO 事件。

这也不足为奇，人寿保险欺诈比以往任何时候都容易。随着可轻松获取的生成式人工智能工具的普及，人工智能成为打击欺诈的有效工具的一切都被不法分子利用。即使是“公民欺诈者”也可以使用复杂的深度伪造技术（几乎不需要人工智能技能）成功欺骗人寿保险公司。

人寿保险生态系统中有两个虚拟检查点特别容易受到利用：

1. 政策申请通过客户门户（即在纯数字环境中）在政策申请时（甚至在政策变化期间）收集的信息很容易被夸大或公然歪曲。
2. 账户登录时。人工智能可以帮助欺诈者绕过多因素身份验证并访问客户帐户，而保险公司或客户通常都不会察觉。

随着 ATO 攻击的增多，确保保单持有人旅程的这些方面安全已成为当务之急。

反欺诈技术趋势

SAS 和注册舞弊审查师协会（ACFE）最近进行的一项跨行业反欺诈技术研究显示，自动化业务规则和异常检测/例外报告是保险公司打击欺诈最常用的数据分析技术，分别有 81% 和 62% 的保险受访者提到了这两种技术。

不幸的是，这两种技术都无法有效检测人工智能驱动的 ATO 攻击，因为此类攻击旨在模仿合法客户或保单持有人。揭露超级 ATO 计划需要更高级的反欺诈技术。

那么，保险公司在高级分析成熟度曲线上处于什么位置？ ACFE 和 SAS 的联合研究发现：

• 只有五分之二（40%）的保险受访者表示他们在反欺诈计划中使用预测分析/建模。
• 值得注意的是，不到四分之一（24%）的受访者表示使用人工智能或机器学习 (ML) 来打击欺诈行为。这些发现凸显了不平衡现象，这可能是保险公司被骗子欺骗的原因之一。

大多数承运商并未使用人工智能和机器学习的对策来对抗 ATO 和其他新兴欺诈威胁，或者至少没有达到欺诈者将其用于犯罪目的的程度。要扭转局面，就需要用人工智能对抗人工智能……

抓住机器学习优势

机器学习 (ML) 是人工智能的一种形式，在破解高级欺诈模式方面具有巨大潜力。机器学习算法从数据中学习，识别模式并在最少的人为干预下做出决策，使其能够灵活地阻止日益复杂和新颖的攻击媒介。

借助机器学习，人寿保险公司可以对每台设备背后的投保人进行身份验证，同时增强其让优质客户更快地完成数字化旅程并提供“令人赞叹”的体验的能力。另一个好处是，误报率的降低有助于提升保险公司的品牌声誉，并以更高的成功率打击国家行为者和公民欺诈者。

ML 特别适合这项任务，因为它采用了冠军和挑战者模型以及数据和服务提供商的 A/B 测试。保险公司可以比较各种方法，制定全面且有效的身份策略，并在几秒钟内部署最有效的方法。借助 ML，保险公司可以利用可靠且可扩展的身份验证策略。

数据问题

保险公司在实施人工智能攻击计划时往往面临巨大挑战。其中，SAS-ACFE 研究显示，八成保险业受访者认为数据质量或集成度低是中等 (48%) 至重大 (32%) 挑战，仅次于预算限制（85% 的受访者提到）。

除了数据质量和集成之外，数据编排也不容忽视。必须利用多个不同的数据源来开发最佳的强大功能，以有效解决脆弱访问点的 ATO 欺诈问题。这些数据源可能包括设备生物识别、公共记录、帐户详细信息等。联盟数据可能是另一个有效的工具。

当然，仅仅拥有大量优质数据是不够的。所有这些信息都需要在登录、应用或其他互动过程中实时协调。通过选择正确的平台，保险公司可以轻松建立持久的数据生态系统，并部署足够先进的 AI/ML 功能，以解决欺诈风险以及风险管理和客户互动方面的其他业务需求。

结论

保护客户资产是人寿保险公司的首要任务。为了终止账户盗用并防止和发现其他形式的人寿保险欺诈行为，保险公司和反欺诈从业人员必须准备好在虚拟战场上与欺诈者进行对抗，他们拥有所有的技术智慧，但同时也缺乏诚信。