Focus
UN SISTEMA ANTIFRODE BASATO SUL DEEP LEARNING PER I SINISTRI DEL SETTORE AUTO
“A Deep-Learning–Based Antifraud System for Car-Insurance Claims”
Luca MAIANO, Antonio MONTUSCHI, Marta CASERIO, Egon FERRI, Federico KIEFFER, Lorenzo BAIOCCO, Chiara GERMANO, Lorenzo RICCIARDI CELSI, Irene AMERINI, Aris ANAGNOSTOPOULOS
SSRN
https://www.ssrn.com/index.cfm/en/
Il costo totale annuo delle frodi assicurative sui veicoli è stimato, negli Stati Uniti, in oltre 40 miliardi di dollari. Si tratta di un valore notevole, considerando anche il numero di veicoli nuovi assicurati ogni anno. In termini di premi più elevati, ciò implica che la frode assicurativa comporta un costo annuale aggiuntivo per ciascuna famiglia statunitense da 400 a 700 dollari in media.
Molte frodi possono essere attribuite a danni precedentemente denunciati, che vengono presentati una seconda volta alla compagnia di assicurazione. In questi casi non è sufficiente controllare la storia del cliente per identificare la frode: le parti danneggiate possono essere rimosse da un veicolo e rimontate su un altro, con l'obiettivo di sfruttare l'assicurazione sulla seconda vettura.
Per far fronte a questi tentativi di frode, nel presente documento gli Autori propongono una soluzione end-to-end per supportare le unità investigative delle compagnie di assicurazione nelle loro indagini.
Per ogni sinistro, le immagini inviate alla compagnia sono analizzate per estrarre le informazioni di base sul veicolo. Successivamente, si utilizzano tali immagini per identificare eventuali danni alla carrozzeria e, infine, per verificare che il danno non sia già stato elaborato nelle precedenti richieste di indennizzo.
Gli Autori sottolineano che si tratta del primo lavoro pubblicato che affronta questo problema attraverso una pipeline che copre l'intero processo di gestione dei sinistri. Sebbene esistano numerose ricerche e lavori applicati che si sono occupati generalmente di recupero delle immagini, si ritiene che il problema specifico della re-identificazione dei danni dell'auto sia particolarmente sfidante e, quindi, meriti un'attenzione speciale.
Ogni danno, infatti, può essere molto diverso dagli altri e, a differenza di altre attività, non hanno forme omogenee che ne consentano l'identificazione.
Per convalidare la proposta, si confronta la soluzione identificata con altri modelli all'avanguardia utilizzati per stimare la somiglianza delle immagini.
I risultati mostrano che la soluzione proposta consente prestazioni superiori. Infine, per supportare la discussione e il confronto delle soluzioni, viene introdotto un nuovo set di dati come benchmark per la re-identificazione dei danni.