Con el aumento de reclamos por desempleo que alcanzaron cifras récord durante el año pasado, las agencias estatales y locales en Estados Unidos se enfrentaron al desafío de procesar una cantidad de reclamos sin precedentes por semana. La infraestructura digital con la que cuentan la mayoría de las agencias no puede controlar este volumen, lo que provoca tiempos de espera mayores y que las personas malintencionadas se aprovechen de los sistemas vulnerables. El Inspector General del Departamento de Trabajo estima que 63 mil millones de dólares en reclamos distribuidos son un pago indebido o un fraude.
Además, la validación de reclamos exige un intercambio seguro de datos con otras agencias a fin de verificar las identidades y los documentos. Los líderes gubernamentales necesitan una manera que les permitan a los tribunales que presiden las causas desestimar, con rapidez y determinación, los reclamos atrasados, integrar los sistemas existentes y segmentar los reclamos legítimos de los potencialmente fraudulentos; todo dentro de los presupuestos gubernamentales limitados, de manera segura y a gran escala.
Implementación de una solución para detectar fraudes con Google Cloud
Los estados recibieron presión para eximir la responsabilidad por pagos y, al mismo tiempo, filtrar los reclamos que podrían ser fraudulentos. SpringML y Google Cloud desarrollaron un framework para brindar a los tribunales un proceso de verificación confiable que filtra de manera rápida los reclamos potencialmente fraudulentos, a la vez que procesa los restantes, de modo que los beneficios lleguen a los ciudadanos de forma oportuna. SpringML y Google Cloud aplicaron modelos de aprendizaje automático con tecnología de IA para detectar patrones anómalos en grandes conjuntos de datos. Con las herramientas de Google Cloud, SpringML implementó una solución para agilizar los flujos de trabajo, mejorar la eficiencia, automatizar los procesos e identificar reclamos potencialmente fraudulentos.
SpringML recurrió una variedad de productos de Google Cloud a fin de ofrecer una solución para detectar fraudes, por ejemplo:
- Google Cloud Storage para almacenar y administrar datos
- BigQuery para almacenar datos tabulares y BigQuery Machine Learning (BQML) para implementar el aprendizaje automático en esos datos
- Soluciones de AutoML para crear modelos predictivos y calificación de riesgos
- Herramientas de visualización, como Looker y Data Studio, para presentar datos y ayudar a que los líderes gubernamentales tomen decisiones informadas
Implementar el aprendizaje automático para detectar pagos indebidos permite que las agencias clasifiquen los reclamos como "fraude" o "no fraude", según la cantidad de marcas, así como priorizar los más urgentes. El uso de agentes virtuales inteligentes para administrar las preguntas frecuentes permitió que los agentes humanos pudieran concentrar su tiempo en casos más complejos.
Incluso una vez que la pandemia quede en el pasado, las personas malintencionadas intentarán aprovecharse de los sistemas heredados o sobrecargados. Identificamos algunas prácticas recomendadas para las agencias que administran una cantidad de casos enorme y buscan mejorar las estadísticas de pagos indebidos:
- Trasladar los sistemas a la nube:Muchos sistemas heredados locales no pueden actualizar sus aplicaciones y escalar contenido para cumplir con el volumen de reclamos. El traslado a un entorno en la nube permite implementar rápidamente soluciones y transferir grandes cantidades de datos sin temor a sobrecargar el sistema. La nube se adapta a tus necesidades de forma rentable y segura.
- Comprender los patrones en los datos:La respuesta siempre está en los datos; recurrimos a un análisis profundo para ayudar a descubrir patrones sospechosos en grandes conjuntos de datos. Implementamos el aprendizaje automático sin supervisión para incorporar comportamientos y crear reglas que se puedan configurar y se ajusten a la información nueva que se introduce en el sistema. Podemos descubrir patrones que posiblemente se relacionen con fraudes, los que un ser humano podría haber pasado por alto.
- Utilizar herramientas de IA/AA para automatizar los sistemas y equipos existentes:Estas herramientas permiten que los humanos trabajen de manera más inteligente y eficiente. Automatizamos la detección de anomalías y creamos paneles de control para que los tribunales procesen reclamos con rapidez. Habilitamos el Departamento de Desarrollo de la Fuerza Laboral (DWD) de Wisconsin mediante la implementación de cálculos y procesamiento automáticos de cantidades de recarga, lo que agiliza los tiempos de procesamiento y reduce los errores humanos. La detección proactiva de fraudes y el cálculo oportuno del pago de recargas permitieron que DWD garantice que los beneficios llegaran a las personas correctas.
- Ofrecer flexibilidad en los sistemas:Descubrimos que los patrones de fraude cambian con el tiempo. Por ejemplo, las marcas de fraude entre marzo y mayo de 2020 fueron muy diferentes a las que observamos entre junio y julio del mismo año. Las herramientas de Google Cloud facilitan la actualización continua de los algoritmos para integrar fuentes de datos externas y detectar patrones.
Con las herramientas de Google Cloud, podemos actualizar la infraestructura digital, así como también incorporar las prácticas recomendadas de aprendizaje automático para permitir que las organizaciones procesen, de manera eficiente, grandes cantidades de reclamos y puedan identificar los que presentan más probabilidades de ser fraudulentos. SpringML ofrece servicios de implementación y consultoría, y soluciones de estadísticas específicas de la industria que brindan valor empresarial de alto impacto para acelerar la transformación digital basada en datos. Para obtener más información sobre cómo detectar fraudes y mejorar las estadísticas de pagos indebidos, mira nuestro seminario web.
