Μια φωτογραφία που συνοδεύει αίτημα αποζημίωσης για ζημιά σε αυτοκίνητο ή ακίνητο μπορεί να δείχνει μια φθορά που δεν συνέβη ποτέ ή να παρουσιάζει μια πραγματική ζημιά ως μεγαλύτερη. Η δυνατότητα παραγωγής και αλλοίωσης φωτορεαλιστικών εικόνων με τεχνητή νοημοσύνη δυσκολεύει την αξιολόγηση τέτοιων αιτημάτων, ιδιαίτερα όταν η αρχική εκτίμηση γίνεται εξ αποστάσεως.
Ο Marcin Nowak θέτει το ζήτημα σε άρθρο του στο Forbes Technology Council, υποστηρίζοντας ότι ο εντοπισμός της ασφαλιστικής απάτης με τεχνητή νοημοσύνη απαιτεί συνδυασμό ελέγχων. Η πρόκληση για τις ασφαλιστικές είναι να εξακριβώνουν κατά πόσο τα στοιχεία του φακέλου τεκμηριώνουν τη δηλωθείσα ζημιά.
Από τον έλεγχο της εικόνας στη διασταύρωση του φακέλου
Η ανάλυση μιας φωτογραφίας μπορεί να δώσει ενδείξεις αλλοίωσης. Η διασταύρωσή της με τη δήλωση του περιστατικού, την εκτίμηση επισκευής και, όπου χρειάζεται, την πραγματογνωμοσύνη βοηθά τον διαχειριστή της ζημιάς να κρίνει αν η εικόνα συμφωνεί με τα υπόλοιπα στοιχεία. Ένα εύρημα από εργαλείο ανίχνευσης μπορεί να οδηγήσει σε στοχευμένο επανέλεγχο, με την τελική αξιολόγηση να παραμένει στον αρμόδιο διαχειριστή.
Η έρευνα State of Insurance Fraud της Verisk καταγράφει τη διαφορά στην αυτοπεποίθηση των επαγγελματιών του κλάδου. Μεταξύ 300 στελεχών διαχείρισης απαιτήσεων στις ΗΠΑ, το 58% δήλωσε ότι έχει μεγάλη εμπιστοσύνη στην ικανότητά του να εντοπίζει αλλοιώσεις σε αυθεντικές φωτογραφίες ή βίντεο. Για τον εντοπισμό deepfakes, το αντίστοιχο ποσοστό ήταν 32%.
Για τα τμήματα αποζημιώσεων, η δυσκολία είναι να εντοπίζουν ποιες υποθέσεις χρειάζονται πρόσθετη διερεύνηση, διατηρώντας ταυτόχρονα την ταχύτητα εξυπηρέτησης για τους ασφαλισμένους των οποίων οι απαιτήσεις τεκμηριώνονται επαρκώς.




























