A inteligência artificial (IA), em especial a generativa, tem sido cada vez mais usada por fraudadores para criar conteúdo falso, como deepfakes, para se passar por outras pessoas em esquemas fraudulentos. Criminosos estão desenvolvendo novos métodos e adaptando suas táticas de forma ágil –utilizando, inclusive, automação para perpetrar ataques em ampla escala.
Dados recentes ilustram a gravidade do problema. Segundo um relatório divulgado pela Visa em janeiro deste ano, o valor das fraudes online no primeiro semestre de 2024 foi 60% maior do que o valor das vendas reais em e-commerce.
Isso reforça que estamos diante de um cenário altamente prejudicial para as empresas, em que técnicas tradicionais de detecção e prevenção de fraudes já não são mais suficientes para acompanhar a sofisticação e a velocidade dos fraudadores. Além disso, novos tipos de sinistros, como em veículos elétricos, demandam inovação em simulações para que as seguradoras consigam antecipar impactos.
Seja na adaptação às mudanças de mercado ou para combater a crescente ameaça das fraudes no contexto digital, dados sintéticos e IA são aliados importantes para otimizar portfólios. A combinação destas técnicas permite que empresas simulem uma vasta gama de cenários fraudulentos e treinem seus sistemas para detectar padrões suspeitos em tempo real – até mesmo em ataques inéditos.
Mais do que isso, por meio deles, as organizações do setor conseguirão atender à mais recente regulamentação sobre o ORSA (Own Risk and Sovency Assessment) liberada pela SUSEP, que exige que as seguradoras façam análises de teste de stress nas suas operações simulando situações que possam colocar em risco a sua solvência.
Números de mercado confirmam esta tendência. A consultoria Gartner previu que até 60% dos dados para IA e análise seriam de origem sintética em 2024, enquanto dados da S&P Global Market Intelligence sugerem que o mercado global de ferramentas de IA generativa deve chegar a US$ 3,7 bilhões em receita até 2028. A adesão a estas técnicas está em franca expansão e o setor de seguros não é exceção neste movimento global.
Aprendizado constante
Dados sintéticos são criados a partir de modelos estatísticos e de aprendizado de máquina que mimetizam as características de dados reais. Isso permite que empresas simulem cenários e criem conjuntos de dados relevantes para o treinamento de modelos que visam a prevenção e detecção de fraudes.
Essa técnica é útil em contextos em que os dados reais de fraude são escassos, como no setor de seguros, além de muito eficaz. Com ela, os modelos de IA podem aprender e se adaptar de forma contínua com dados sintéticos de qualidade, e empresas podem equilibrar seus conjuntos de dados, treinando modelos preditivos com maior precisão.
Entre os benefícios do uso de dados sintéticos, também está a identificação de anomalias sutis em milhões de transações simultâneas que seriam impossíveis de detectar com métodos tradicionais de análise, além da possibilidade de testar e simular novos processos e cenários, antes mesmo de se ter acesso aos dados reais. Desta forma, organizações podem se antecipar em relação a ameaças emergentes e desenvolver soluções proativas para combate a fraudes.
Ao usar dados sintéticos e IA na detecção de fraudes, uma seguradora focada em automóveis poderia simular milhares de casos baseados em padrões históricos reais com variáveis de situações legítimas e fraudulentas. E, a partir deles, treinar um modelo de IA para identificar combinações suspeitas de variáveis. Em casos reais, quando um novo sinistro é reportado, o sistema analisa as múltiplas variáveis e atribui um score de risco de fraude.
Em outro exemplo, desta vez na prevenção de fraudes, os dados sintéticos combinados à IA podem ajudar uma seguradora de saúde a evitar autorizações fraudulentas de procedimentos médicos. Neste contexto, eles podem ser usados para criar milhões de solicitações “artificiais” de procedimentos, como histórico do paciente, frequência de procedimentos médicos, entre outros, e o modelo, que neste caso aprende com padrões normais e suspeitos, analisa em tempo real se o padrão de solicitação condiz com o esperado. Desta forma, se um prestador começar a solicitar um volume anormal de procedimentos caros para determinado perfil de paciente, análises mais detalhadas são solicitadas, evitando fraudes antes que elas ocorram.
Desafios à frente
Apesar da crescente adesão aos dados sintéticos combinados à IA e dos benefícios que essa junção pode trazer às empresas, esta abordagem ainda enfrenta inúmeros desafios e barreiras, especialmente no contexto brasileiro e latino. Muitas organizações ainda não têm o conhecimento e a capacitação interna necessários para gerar e utilizar dados sintéticos de forma eficaz. Há ainda, questões de governança e conformidade relacionadas ao uso desses dados, especialmente no que diz respeito à privacidade e segurança.
Por outro lado, a adesão aos dados sintéticos deve aumentar à medida em que a regulamentação no campo da IA avança em diversos países. Como desdobramento destas mudanças, a consultoria IDC prevê que, até 2027, 40% dos algoritmos utilizados por seguradoras devem usar dados sintéticos para cumprir com as regras locais.
Para superar os desafios que ainda circundam a adoção de dados sintéticos, será preciso investir em treinamento e capacitação de equipes, além de adotar tecnologias e ferramentas que permitam a geração e o uso responsável delas. Isso envolve não apenas o domínio das técnicas de geração de dados sintéticos, mas também a compreensão dos modelos de aprendizado de máquina e deep learning, que podem ser aplicados na detecção e prevenção de fraudes.
No futuro, a expectativa é que o uso de dados sintéticos se torne cada vez mais disseminado, especialmente com o avanço da coleta de dados via satélite e de outras fontes emergentes. Isso deve permitir que seguradoras se adiantem em relação a novas ameaças e desenvolvam formas mais eficazes de prevenção e detecção de fraudes, contribuindo para um ambiente de negócios mais seguro e confiável.
Ricardo Saponara, Head de prevenção a fraude para América Latina do SAS.
