收益：
- 能够利用人工智能预先筛选欺诈性索赔、夸大的索赔和有组织的欺诈模式，并标记可疑文件
- 通过证据确认人工智能产生的怀疑理由，能够管理误报和无罪推定的风险
- 能够理解欺诈指控和 SBM/民事报告只能在经过验证的证据和主管专家批准的情况下进行。
保险欺诈（欺诈；捏造、夸大或歪曲损害以获取不正当利益）损害公司和诚实的被保险人；因为所支付的虚假理赔最终会反映在每个人的保费中。打击欺诈的专家（欺诈分析师、损害调查员）会扫描大量文件并寻找模式：同一个人在短时间内重复提出索赔、文件与案件不符、各方相互认识。人工智能（标记数据中异常模式的软件）加快了扫描速度：它在数千个文件中突出显示了潜在的可疑文件。但这里最关键的原则是：人工智能的标志是怀疑的信号，而不是证据。指控某人欺诈是一个严重的后果；无罪推定（除非另有证明，否则该人被推定为无罪）至关重要。在本单元中，您将学习如何使用人工智能预先筛选可疑文件，如何用证据验证信号，以及为什么只有在有能力的专家和法律批准的情况下才能做出指控/报告的决定。
欺诈模式和人工智能的作用
常见的诈骗类型包括：
- 捏造损坏：将从未发生过的事件报告为损坏。
- 夸大的索赔：夸大实际损坏的金额（不存在的损坏部件、假发票）。
- 有组织的欺诈：由多人（有时包括修理工、专家或证人）有计划地制造假损坏。
- 双重赔偿：针对多于一份保单或多次索赔相同的损害。
在预先扫描这些模式时，人工智能会突出显示以下信号：短时间内反复发生损害、损害日期距离保单开始时间太近、事件叙述不一致、不同文件中重复相同的 IBAN/地址/电话号码、文档日期不匹配。人工智能标记这些；但这些迹象中的每一个也可能有一个无辜的解释。例如，保单开始时的损坏可能是巧合；运气不好可能会对一个人造成很多伤害。
注意：“高欺诈风险”标签是一种可能性的信号。误报（意外地将无辜文件标记为可疑）对客户造成严重不公正。未经证据证实，信号永远不会成为指控。
用证据验证信号
在对欺诈信号做出决策之前，需要通过四个来源进行确认：
- 文件一致性：发票、会议记录、照片和评估报告是否相符？日期、金额和犯罪现场是否相符？
- 物理/技术证据：专家的调查结果（损坏痕迹、变形）与所描述的事件相符吗？
- 数据查询：通过SBM（保险信息和监控中心）查询来检查过去的损失、重复保单和重复模式。
- 独立调查：必要时进行现场检查、证人访谈、专家报告。
只有当信号得到这些来源的具体证据的支持时，才会向前迈出一步。如果没有证据，则按正常程序评估档案；仅凭怀疑并不能成为延迟或拒绝付款的理由。
提示：针对每个可疑信号，向人工智能询问“我应该查看哪些文档和数据来确认/反驳这一点”列表。因此，该信号变成了调查，而不是指控。
一步一步：可疑交易分析
- 匿名上下文。使用事实等价物代替姓名、TR ID、IBAN（如果扫描中需要真实数据，请保留在公司批准的系统内）。
- 请求预筛选。列出怀疑人工智能的信号和原因。
- 将每个信号变成一个验证问题。 “这个信号是如何确认和反驳的？”
- 收集证据并确认。文件、专业知识、SBM 查询、现场（如有必要）。
- 还要寻找无辜的解释。该信号是否有正当理由？也测试相反的情况。
- 有能力的专家+法律/合规做出决定。仅在经过核实的证据和确认的情况下才进行通知（SBM/法律）、指控或否认；每一步都记录在轨迹记录中。
三个迷你箱子
案例 1——证实了怀疑。人工智能在汽车保险文件上标记了“保单生效后 6 天全损”和“发票日期早于事件日期”的信号。专家检查了发票：它的日期实际上是在事件发生之前，并且专家标记与所描述的碰撞不符。具体证据已经出现；该文件已正式移至法律和 SBM 流程。这一信号之所以向前推进，是因为它得到了证据的支持。
案例 2 — 误报。人工智能将被保险人标记为“过去2年有4次理赔，高风险”。专家检查：其中三起损坏是由于停放的不同车辆造成的，一处是冰雹损坏；所有这些都记录在案、专业且一致。这并不是运气不好，也不是欺诈。专家按照正常程序支付了文件费用。如果盲目跟随信号，诚实的顾客就会受到不公平的伤害。
案例 3 — 组织模式。人工智能标志着不同档案中同一修理店、同一目击者和相似事件叙述的重复。专家和法律团队通过SBM和实地考察证实了这一联系；一种有组织的模式出现了。该决定不是通过单一信号做出的，而是通过经过验证的证据链和主管批准做出的。
四个可复制的提示
1）可疑信号预筛选：
您是一名助理保险欺诈分析师。扫描以下匿名索赔文件以了解欺诈情况：[粘贴文件]输出：可能的可疑信号（逐项）、每个信号的原因及其所基于的文档。对于每个信号，“能否有一个无辜的解释？”添加注释。不要责怪，不要决定；它只输出要研究的信号。
2）验证计划：
为以下可疑信号准备验证计划：[粘贴信号]对于每个信号：(a) 文档/数据/检查以证明它，(b) 文档/数据以拒绝它，(c) 指向用 SBM 查询查看。目的不是指责，而是判断其真假。
3）文件一致性检查：
比较以下索赔文件在日期、金额、地点和事件叙述方面的一致性： [粘贴文件]并排显示冲突点；写出它来自哪个文档。添加评论；只需列出不兼容性即可。
4) 审查说明草案（非决定）：
根据以下已验证的结果起草客观审查备忘录：[已验证的证据，反驳的信号]语气：中立、基于证据、非指责。维持无罪推定。添加注释：“最终决定和通知须经主管专家的法律/合规批准。”
弱提示/强提示
弱者：“这个客户是不是骗子？我们应该拒绝吗？”
问题：要求人工智能直接责备/否认（红色区域）；没有证据，没有核实，也没有无罪推定。误报和不准确的风险非常高。
Strong：“假装是一名助理欺诈分析师。在这个匿名文件中，列出有理由的怀疑信号；对于每个信号，指出无辜解释的可能性和验证方法。不要指责。”
优点：输出是一份调查清单，而不是指控；无罪推定和核实得到保留。
对比图
步骤
人工智能
专家/法律
原则
信号预扫描
迹象
评价
信号≠证据
验证计划
草稿
适用
有证据确认
文件/专业知识确认
比较
评论
物证
SBM/数据查询
—
查询
审计追踪
指控/通知
—
决定+批准
无罪推定
常见错误
- 将信号误认为证据。直接否认或指责，贴上“高风险”标签。
- 不调查无辜的解释。没有测试该信号是否有合理的原因。
- 忽略误报的成本。伤害诚实的客户并损害信任和声誉。
- 无故拖延付款。在没有证据的情况下带着怀疑继续下去既是一个道德问题，也是一个法律问题。
- 不留痕迹。没有记录评估哪些证据以及如何评估；在控制和法律中保持毫无防御能力。
总之
人工智能预先扫描可疑文件并根据信号对其进行标记以检测欺诈行为；但他不责怪，也不做决定。必要时通过文件、评估、SBM 查询和现场检查来验证每个信号；还要调查无辜的解释；请记住，误报会损害客户。只有在经过验证的证据和有能力的专家+法律/合规批准的情况下才能提出指控、否认和 SBM/法律通知。无罪推定至关重要；最终决定权属于人类。
应用任务
获取三个损坏文件（匿名）用于测试目的；至少其中一个应该是真实的，其中两个应该有可疑的信号。提取提示号 1 的信号，为提示号 2 的每个信号制定验证计划。然后尝试实际验证这些信号：哪些信号有证据支持，哪些是误报？写一段话说明为什么“信号≠证据”的原则在这个例子中很重要。
清单
- [ ] 我匿名了上下文/留在公司批准的系统中。
- [ ] 我列出了这些信号，并给出了理由；我不想受到责备。
- [ ] 我已经为每个信号确定了验证和反驳路径。
- [ ] 我通过文件、专业知识和SBM查询确认了这一点。
- [ ] 我探索了一种无辜解释的可能性。
- [ ] 我仅在证据+主管专家/法律批准的情况下提出指控/报告。
- [ ] 我追踪了整个评价。