En el paisatge d'assegurances d'avui cada vegada més orientat a les dades, la qüestió de la detecció de fraus s'ha convertit en un dels reptes més urgents de la indústria.Amb les companyies d'assegurances globals que gestionen enormes volums de dades d'assegurances, la necessitat d'equilibrar l'eficiència amb la confidencialitat mai ha estat més gran. La seva recent investigació, Federated Learning for Cross-Carrier Insurance Fraud Detection: Secure Multi-Institutional Collaboration, explora com l'aprenentatge federat (FL) i la computació de preservació de la privacitat poden redefinir la cooperació entre les asseguradores sense sacrificar la integritat de les dades o el compliment de la normativa. Keerthi Amistapuram Reimagining Insurance Through Federated Learning La investigació de Keerthi proposa un marc pràctic i ètic que permeti a les companyies d'assegurances entrenar conjuntament models de detecció de fraus mantenint les dades localitzades.Amb l'aprenentatge federat, les institucions poden construir intel·ligència col·lectiva a través de transportistes sense exposar informació sensible com ara identificadors personals o històries de reclamacions.El seu treball explica com les arquitectures FL horitzontals i verticals, quan es combinen amb eines criptogràfiques com la privacitat diferencial i la computació segura multipartit, permeten identificar patrons de frau que abasten múltiples transportistes. Aquest enfocament destaca perquè resol una de les paradoxes més antigues de la indústria: la necessitat de col·laboració de dades sense compartir dades.Cada institució manté el control sobre els seus conjunts de dades, però contribueix a un model compartit que es refina contínuament sobre la base de les perspectives col·lectives. Technical Foundations and Model Design Al nucli del marc proposat de Keerthi hi ha una arquitectura distribuïda horitzontalment que permet als operadors participants treballar en el mateix problema de detecció de frau utilitzant dades emmagatzemades localment.A través d'un mecanisme de mitjana federada, cada participant contribueix a les actualitzacions del model en comptes de les dades primeres.El seu model inclou definicions rigoroses per a la ponderació de la equitat, la reducció de la deriva del client i les tècniques de mostreig estratificades que asseguren que les institucions més petites amb dades limitades encara juguen un paper significatiu en l'exactitud del model global. En termes pràctics, aquest sistema permet a les companyies d'assegurances identificar xarxes complexes de frau que sovint abasten múltiples tipus de cobertura, com ara la propietat, les víctimes i la salut. En lloc d'una única actualització del model de control centralitzat de l'autoritat, la col·laboració està dissenyada per ser orientada a pares, governada per protocols de confiança i pistes d'auditoria verificables. La implementació inclou salvaguardes de privacitat per disseny, capes de xifrat per a la transmissió de dades segura i mecanismes d'auditoria que impedeixen l'ús indegut mentre compleixen estrictes normes internacionals com el GDPR i els anàlegs HIPAA. Governance, Fairness, and Compliance La investigació de Keerthi també subratlla que la innovació tecnològica ha d'operar dins dels límits ètics i normatius.El marc federat introdueix un model de governança clar que descriu els criteris de participació, la gestió del consentiment i els principis de minimització de dades. Aquest enfocament meticulós reflecteix la seva filosofia professional més àmplia de sistemes d'enginyeria que no només són funcionals, sinó també socialment responsables.A través de protocols d'auditoria definits i mètriques d'equitat, la contribució de cada assegurador es reconeix proporcionalment mentre es manté el compliment dels mandats de privacitat.El disseny del model incorpora un equilibri entre utilitat operativa i restriccions legals, assegurant que la col·laboració transfronterera millori la intel·ligència col·lectiva sense violar la confidencialitat Beyond the Algorithms: A Culture of Secure Collaboration Les contribucions de Keerthi van més enllà del pur disseny del sistema. A partir de la seva experiència en la modernització de plataformes d'assegurances a gran escala, entén que la transformació real requereix tant tecnologia com cultura. El marc d'aprenentatge federat que proposa anima els operadors a passar d'una mentalitat competitiva a una de resiliència col·lectiva. El seu enfocament reconeix la sensibilitat dels ecosistemes d'assegurances on fins i tot l'exposició involuntària de dades pot conduir a danys de reputació i financers. per tant, advoca per un model de zero confiança, on cada interacció dins de la col·laboració és verificable, i cada intercanvi de dades és xifrat i registrat. Això garanteix que fins i tot en entorns distribuïts, la responsabilitat roman rastreable i transparent Advancing Fraud Detection Through Ethical AI Un dels aspectes més significatius del treball de Keerthi rau en la seva orientació ètica. Ella emmarca la intel·ligència artificial no com un prenedor de decisions omniscient sinó com una eina per a la comprensió estructurada. La seva investigació prioritza models explicables i interpretables capaços de proporcionar raonament justificable per a cada transacció o anomalia flagrada. Mitjançant la combinació d'arquitectures d'aprenentatge profund amb protocols que preserven la privacitat, el model de Keerthi aborda les bretxes en el rendiment i la responsabilitat que sovint assetgen els sistemes de frau impulsats per la IA. Aquest alineament amb l'equitat i la transparència garanteix que la tecnologia permeti a les companyies d'assegurances actuar de manera decisiva, però responsable, en la prevenció de reclamacions fraudulentes. From Research to Real-World Application Encara que el document és profundament tècnic, les seves implicacions són de gran abast. Keerthi preveu un ecosistema on la col·laboració entre les companyies esdevingui la norma i no l'excepció, on les companyies d'assegurances, els reguladors i els investigadors puguin intercanviar informació de forma segura per combatre el frau sistèmic. Les seves troballes també suggereixen un futur on aquesta infraestructura col·laborativa podria estendre's més enllà de l'assegurança al banc, l'anàlisi de crèdit i altres dominis que requereixen informació segura i distribuïda. The Broader Vision Les contribucions de Keerthi Amistapuram epitomitzen la fusió de la precisió de l'enginyeria i la visió ètica. Ha demostrat constantment que la innovació en indústries regulades ha d'alinear-se amb la confiança pública, la conformitat i l'equitat.A través de la seva investigació, proporciona un pla pràctic per a les companyies d'assegurances per abraçar l'IA i l'aprenentatge automàtic de manera responsable transformant la detecció de fraus en una disciplina cooperativa, conscient de la privacitat i preparada per al futur. En una època definida per la sensibilitat de les dades i la complexitat digital, el seu treball serveix tant com un marc tècnic com una guia filosòfica. Federated Learning for Cross-Carrier Insurance Fraud Detection: Secure Multi-Institutional Collaboration representa més que un èxit acadèmic; és una crida a un nou estàndard de col·laboració segura, un on la tecnologia serveix no només a l'eficiència sinó també a la integritat i la confiança.

This story contains new, firsthand information uncovered by the writer.

Aquest àudio és produït a l'idioma original de la història!

Keerthi Amistapuram Pioneers Federated Learning per a la detecció de fraus d'assegurances segures

About Author

COMENTARIS

Etiquetes penjant

AQUEST ARTICLE VA SER PRESENTAT A

Related Stories

Startups of The Year: Meet the Web3 Industry

New Features: They're Everything, We're Just Ken

Startups of The Year: Meet the Education Industry

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Startups of The Year: Meet the Web3 Industry

New Features: They're Everything, We're Just Ken

Startups of The Year: Meet the Education Industry

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps