डॉ मुशीर अहमद, पीएचडी, कोडोक्सो के संस्थापक और सीईओ – साक्षात्कार श्रृंखला

डॉ मुशीर अहमद, पीएचडी, कोडोक्सो के संस्थापक और सीईओ एक प्रौद्योगिकीविद् और उद्यमी हैं जो स्वास्थ्य सेवा में प्रणालीगत अकुशलताओं को हल करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करने पर केंद्रित हैं। उन्होंने जॉर्जिया इंस्टीट्यूट ऑफ टेक्नोलॉजी में अपने पीएचडी के दौरान विकसित अनुसंधान के आधार पर कोडोक्सो की स्थापना की, जहां उन्होंने चिकित्सा दावों में धोखाधड़ी, अपशिष्ट और दुरुपयोग का पता लगाने के लिए एक पेटेंटेड कृत्रिम बुद्धिमत्ता दृष्टिकोण का निर्माण किया। उनके नेतृत्व में, कंपनी एक प्रदाता बन गई है जो भुगतान की अखंडता के लिए कृत्रिम बुद्धिमत्ता से संचालित समाधान प्रदान करती है, जो स्वास्थ्य सेवा संगठनों को जोखिमों की पहचान करने में मदद करती है और प्रतिक्रियात्मक लेखा परीक्षा से प्रतिक्रियात्मक लागत संयम में स्थानांतरित करने में मदद करती है।

कोडोक्सो एक स्वास्थ्य सेवा कृत्रिम बुद्धिमत्ता कंपनी है जो अपने फोरेंसिक कृत्रिम बुद्धिमत्ता प्लेटफ़ॉर्म के माध्यम से स्वास्थ्य सेवा प्रणाली में अकुशलताओं और अनावश्यक लागतों को कम करने पर केंद्रित है। प्लेटफ़ॉर्म पेटेंटेड अल्गोरिदम और मशीन लर्निंग का उपयोग करके दावा डेटा की विशाल मात्रा का विश्लेषण करता है, जो संदिग्ध व्यवहार, बिलिंग विसंगतियों और उभरते हुए धोखाधड़ी पैटर्न की पहचान करता है जो पारंपरिक प्रणालियों से पहले होता है। स्वास्थ्य सेवा प्रदाताओं, सरकारी एजेंसियों और फार्मेसी लाभ प्रबंधकों को दावा प्रक्रिया के दौरान या उससे पहले हस्तक्षेप करने की अनुमति देकर, कोडोक्सो उद्योग को प्रतिक्रियात्मक पुनर्प्राप्ति के बजाय प्रतिक्रियात्मक भुगतान अखंडता की ओर स्थानांतरित करता है। इसका व्यापक एकीकृत लागत संयम प्लेटफ़ॉर्म डेटा माइनिंग, प्रदाता शिक्षा, लेखा परीक्षा कार्य प्रवाह और मामला प्रबंधन को एकीकृत करता है, जो संगठनों को सटीकता में सुधार करने, अधिक भुगतान को कम करने और संचालन को सुव्यवस्थित करने में मदद करता है, जबकि धोखाधड़ी, अपशिष्ट और दुरुपयोग के कारण हर साल अरबों डॉलर के नुकसान को संबोधित करता है।

आप जॉर्जिया टेक में अपने पीएचडी के दौरान स्वास्थ्य सेवा धोखाधड़ी का पता लगाने पर शोध करने के बाद कोडोक्सो की स्थापना की। क्या पहले आपको यह विश्वास दिलाया कि कृत्रिम बुद्धिमत्ता स्वास्थ्य सेवा प्रणालियों में धोखाधड़ी, अपशिष्ट और दुरुपयोग का पता लगाने के तरीके को मौलिक रूप से बदल सकती है?

मैं एक ही पल से नहीं, बल्कि मौजूदा दृष्टिकोण की विफलता का सामना करने से आश्वस्त हुआ। संयुक्त राज्य अमेरिका में स्वास्थ्य सेवा धोखाधड़ी लगभग 330 अरब डॉलर का नुकसान है, जो देश में अन्य सभी प्रकार की बीमा धोखाधड़ी के योग के बराबर है, और फिर भी प्रमुख पता लगाने वाले तरीके केवल उन चीजों को पकड़ सकते थे जिनके लिए वे पहले से ही प्रशिक्षित थे। यहां तक कि जब कृत्रिम बुद्धिमत्ता तस्वीर में आई, तो अधिकांश दृष्टिकोण प्रतिक्रियात्मक थे, जो ज्ञात धोखाधड़ी योजनाओं के खिलाफ पैटर्न मिलान कर रहे थे, न कि अज्ञात लोगों को उजागर करने के लिए। मुझे जो बात स्पष्ट हुई, वह यह थी कि धोखाधड़ी एक स्थिर समस्या नहीं है। बुरे अभिनेता अनुकूलन करते हैं। वे यह जानते हैं कि क्या एक झंडा उठाता है और इसके चारों ओर मार्ग बनाते हैं। एक नियम-आधारित प्रणाली हमेशा पीछे होती है।

कृत्रिम बुद्धिमत्ता क्या प्रदान करती है वह यह क्षमता है कि यह उन पैटर्न को उजागर कर सकती है जिनके बारे में किसी ने पहले से नहीं सोचा था। जॉर्जिया टेक में अपने शोध कार्य के दौरान, मैं मॉडल बना रहा था जो एक प्रदाता के पूरे दावा इतिहास में देख सकता था, व्यवहार संबंधी विसंगतियों की पहचान कर सकता था और संकेतों को जोड़ सकता था जो एक मानव विश्लेषक या एक नियम इंजन द्वारा जुड़ाव नहीं होगा। जेसन सलाहकार समूह, जो अमेरिकी सरकार को विज्ञान और प्रौद्योगिकी पर सलाह देता है, ने पहचान की कि यह काम स्वास्थ्य डेटा का उपयोग भुगतान की अखंडता के लिए वास्तविक संरचनात्मक अंतराल को संबोधित कर रहा था। उस मान्यता ने मुझे बताया कि समस्या इतनी गंभीर थी कि इसके आसपास एक कंपनी बनाने के लिए।

मुझे जो मूल विश्वास था वही आज कोडोक्सो में जो हम बना रहे हैं उसे चला रहा है: स्वास्थ्य सेवा दावा डेटा में धोखाधड़ी को पकड़ने के लिए संकेत है, लेकिन आप इसे केवल तभी निकाल सकते हैं जब आप पूरी तस्वीर को तेजी से और सटीकता से देख सकते हैं, न कि बॉक्स की जांच कर सकते हैं।

स्वास्थ्य सेवा धोखाधड़ी लंबे समय से एक बहु-अरब डॉलर की समस्या रही है, लेकिन जनरेटिव कृत्रिम बुद्धिमत्ता इसे नाटकीय रूप से तेज कर रही है। स्वास्थ्य बीमा कंपनियों और भुगतान अखंडता टीमों के लिए खतरे का परिदृश्य कैसे बदल गया है?

यह मूल रूप से बदल दिया है, और उद्योग ने अभी तक यह नहीं समझा है कि यह कितना महत्वपूर्ण है। पुराने मॉडल में दस्तावेज़ धोखाधड़ी के लिए मैनुअल प्रयास की आवश्यकता थी। एक बुरा अभिनेता जो धोखाधड़ी कर रहा था उसे नोट्स बनाने के लिए एक-एक करके बनाना पड़ता था, छवियों को व्यक्तिगत रूप से बदलना पड़ता था और रिकॉर्ड बनाने पड़ते थे जो समीक्षा से बचने के लिए पर्याप्त विश्वसनीय थे। उस घर्षण ने एक प्राकृतिक छत बनाई जो किसी भी योजना के पैमाने पर थी।

जनरेटिव कृत्रिम बुद्धिमत्ता ने उस छत को हटा दिया। आज, कोई भी एक बड़े भाषा मॉडल से 50 चिकित्सा सत्र नोट्स का अनुरोध कर सकता है और 5 मिनट से भी कम समय में उन्हें प्राप्त कर सकता है। वे नोट्स उपयुक्त चिकित्सा शब्दावली का उपयोग करेंगे, एक विश्वसनीय कथा संरचना का पालन करेंगे और आंतरिक रूप से सुसंगत दिखेंगे। अधिकांश धोखाधड़ी पता लगाने वाली प्रणालियां कभी भी यह मूल्यांकन करने के लिए डिज़ाइन नहीं की गई थीं कि क्या एक दस्तावेज़ वास्तविक या सिंथेटिक है। वे डिज़ाइन किए गए थे ताकि वे यह जांच सकें कि बिलिंग कोड सही ढंग से लागू किए गए थे, ज्ञात पैटर्न को झंडा दिखाएं और मौजूदा धोखाधड़ी हस्ताक्षर के खिलाफ मिलान करें। इसलिए सिंथेटिक प्रलेखन पारित हो जाता है, यहां तक कि कुछ प्रणालियों से भी जो दावा करती हैं कि उनमें एक कृत्रिम बुद्धिमत्ता घटक है।

हमने इसे नैदानिक छवियों के साथ भी देखा है। एक वैध एक्स-रे का उपयोग कई एआई-जनित विविधताओं के लिए बीज के रूप में किया जा सकता है, प्रत्येक को एक अलग काल्पनिक रोगी के तहत जमा किया जा सकता है। एक प्रणाली जिसमें छवि तुलना क्षमता नहीं है, 50 विशिष्ट दिखने वाले मामले देखती है, लेकिन वास्तविकता में यह एक वास्तविक स्कैन और 49 सिंथेटिक डुप्लिकेट है। खतरे का परिदृश्य धोखाधड़ी के अलग-अलग बुरे अभिनेताओं से लेकर उन लोगों तक चला गया है जो लगभग किसी भी तकनीकी विशेषज्ञता के बिना पैमाने पर, दोहराए जाने वाले योजनाओं को चला सकते हैं।

पारंपरिक धोखाधड़ी पता लगाने वाली प्रणालियां नियम-आधारित मॉडल और मैनुअल समीक्षा पर निर्भर करती हैं। एआई-जनित चिकित्सा रिकॉर्ड या हेरफेर की गई नैदानिक छवियों के साथ काम करते समय वे क्यों बढ़ते हुए अप्रभावी हो रहे हैं?

अधिकांश धोखाधड़ी पता लगाने वाले दृष्टिकोण, चाहे नियम-आधारित हों या पहले की पीढ़ी के कृत्रिम बुद्धिमत्ता, वर्तमान में एक मूलभूत रूप से दोषपूर्ण धारणा पर काम करते हैं: सभी दस्तावेज़ प्रणाली में प्रवेश करने वाले एक मानव द्वारा सामान्य चिकित्सा प्रक्रियाओं का पालन करते हुए बनाए गए थे। एक बार जब यह धारणा टूट जाती है, तो पूरी पता लगाने वाली दृष्टि टूट जाती है।

एक नियम इंजन एक असंभव कोड संयोजन, एक प्रदाता को एक दिन में मौजूद घंटों से अधिक बिलिंग, या एक मृत रोगी पर एक प्रक्रिया के लिए बिलिंग को झंडा दिखा सकता है। ये सभी वास्तविक और उपयोगी कैच हैं। लेकिन नियम-आधारित तर्क यह नहीं देख सकता कि क्या एक प्रगति नोट वास्तव में एक चिकित्सक द्वारा लिखा गया था जिसने वास्तव में एक रोगी को देखा था या एक कृत्रिम बुद्धिमत्ता मॉडल द्वारा उत्पन्न किया गया था जिसने कभी चिकित्सा का अभ्यास नहीं किया था। दो आउटपुट संरचनात्मक रूप से समान हो सकते हैं।

मैनुअल समीक्षा के पास भी वही छत है। अध्ययनों से पता चलता है कि केवल लगभग 34% लोग एक गहरे नकली की पहचान कर सकते हैं, यहां तक कि जब उन्हें बताया जाता है कि यह मौजूद है और वे इसकी तलाश में हैं। एक एसआईयू जांचकर्ता जो प्रगति नोट्स के एक ढेर की समीक्षा कर रहा है, कृत्रिम पाठ का पता लगाने के लिए कोई विशेष फोरेंसिक प्रशिक्षण नहीं है, कोई छवि तुलना उपकरण नहीं है जो क्लोन स्कैन का पता लगा सकता है, और दिन में इतने घंटे नहीं हैं कि वह हर दावे पर इतनी जांच कर सके। मात्रा की समस्या अकेले ही व्यापक मैनुअल समीक्षा को असंभव बना देती है, और यह जनरेटिव कृत्रिम बुद्धिमत्ता द्वारा धोखाधड़ी प्रलेखन की मात्रा और जटिलता में वृद्धि से पहले सच था।

एक उभरता हुआ खतरा है जिसे मैं कम आंका गया मानता हूं: जिसे शोधकर्ता ट्रोजन डीपफेक इंजन कहते हैं। ये वायरस जैसे एजेंट हैं जो विशेष रूप से पता लगाने वाले सॉफ़्टवेयर को निष्क्रिय करने के लिए डिज़ाइन किए गए हैं, जो छवि विश्लेषण व्यवधान या दुर्भाग्यपूर्ण प्रॉम्प्ट पुनः-इंजीनियरिंग जैसी रणनीतियों के माध्यम से। तो दुश्मनी की गतिविधि नहीं है कि धोखाधड़ी करने वाले बेहतर नकली बना रहे हैं। कुछ मामलों में, वे सक्रिय रूप से उन उपकरणों को तोड़ने की कोशिश कर रहे हैं जो उन्हें पकड़ने के लिए बनाए जा रहे हैं। यह दुश्मनी का गतिविधि है जो किसी भी स्थिर पता लगाने वाले दृष्टिकोण को पीछे छोड़ देती है, चाहे वह नियम-आधारित हो या एक निश्चित कृत्रिम बुद्धिमत्ता मॉडल हो। रक्षा को उतना ही अनुकूलनीय होना चाहिए जितना कि हमला है।

कोडोक्सो ने हाल ही में डीपफेक डिटेक्शन लॉन्च किया है ताकि इस उभरते हुए जोखिम का सामना किया जा सके। एक उच्च स्तर पर, प्रौद्योगिकी चिकित्सा प्रलेखन और छवियों का विश्लेषण कैसे करती है ताकि यह निर्धारित किया जा सके कि सामग्री को कृत्रिम बुद्धिमत्ता द्वारा उत्पन्न या हेरफेर किया जा सकता है या नहीं?

मूल डिज़ाइन सिद्धांत यह है कि हमने डीपफेक डिटेक्शन को विशेष रूप से स्वास्थ्य सेवा प्रलेखन के लिए बनाया है, न कि सामान्य-उद्देश्य कृत्रिम बुद्धिमत्ता पता लगाने वाले उपकरण को एक चिकित्सा संदर्भ में पुनः प्राप्त करने के लिए। इसका मतलब है कि मॉडल स्वास्थ्य सेवा-विशिष्ट संकेतों पर प्रशिक्षित हैं, न कि अन्य उद्योगों या उपयोग के मामलों के लिए बनाए गए उपकरणों से अनुकूलित हैं। यह अंतर महत्वपूर्ण है क्योंकि चिकित्सा रिकॉर्ड या नैदानिक छवि में सिंथेटिक सामग्री के संकेत अन्य डोमेन में प्रासंगिक संकेतों से अलग हैं।

एक उच्च स्तर पर, प्रणाली चिकित्सा प्रलेखन और छवियों का विश्लेषण करती है, साथ ही साथ पूरे दावा संदर्भ में, और यह सेकंड के भीतर ऐसा करती है। जब एक एसआईयू जांचकर्ता संदिग्ध प्रलेखन अपलोड करता है, तो एआई विश्लेषण एक ही समय में कई आयामों पर चलता है। यह सिंथेटिक या हेरफेर की गई सामग्री के संकेतों की तलाश करता है, पूरे दावा इतिहास में क्लोनिंग और डुप्लिकेशन पैटर्न की जांच करता है, और प्रदाता के ऐतिहासिक पैटर्न के बीच व्यवहार संबंधी संगतता का मूल्यांकन करता है।

एक बात जो ध्यान देने योग्य है वह यह है कि प्रणाली कई प्रारूपों में काम कर सकती है। यह पीडीएफ, वर्ड और एक्सएमएल में पाठ दस्तावेजों, स्प्रेडशीट, चिकित्सा छवियों और यहां तक कि हस्तलिखित नोट्स को संभाल सकता है। यह व्यवहार में मायने रखता है क्योंकि धोखाधड़ी प्रलेखन एक तिद्य प्रारूप में नहीं आता है, और एक पता लगाने वाली प्रणाली जो केवल कुछ प्रारूपों को संभालती है वह उन अंतरालों को छोड़ देती है जिन्हें परिष्कृत धोखाधड़ी करने वाले अंततः पाएंगे।

इस सभी विश्लेषण से, प्रणाली 0 से 100 के पैमाने पर एक जोखिम स्कोर उत्पन्न करती है, जिसमें विस्तृत विवरण संलग्न होते हैं, ताकि जांचकर्ता समझ सके कि कौन से संकेत स्कोर को चला रहे थे। प्रत्येक चरण पर कार्रवाई योग्य आउटपुट उत्पन्न करने का लक्ष्य है, न कि केवल अलर्ट, और इसे तेजी से और अधिक सटीकता के साथ करना है, न कि एक अधिक सामान्य प्रणाली के साथ। गति का महत्व है क्योंकि एकमात्र हस्तक्षेप बिंदु जो वास्तव में धोखाधड़ी की अर्थव्यवस्था को बदलता है वह भुगतान से पहले है।

आपका प्लेटफ़ॉर्म क्लोनिंग का पता लगाने, आंशिक कृत्रिम बुद्धिमत्ता-उत्पादन की पहचान, और दावा इतिहास के खिलाफ व्यवहार संबंधी क्रॉस-रेफरेंसिंग जैसी क्षमताओं पर प्रकाश डालता है। क्या आप बता सकते हैं कि ये संकेत कैसे मिलकर एक जांचकर्ता के लिए एक अर्थपूर्ण जोखिम स्कोर का उत्पादन करते हैं?

प्रत्येक क्षमता एक अलग धोखाधड़ी पैटर्न को संबोधित करती है, और जोखिम स्कोर यह दर्शाता है कि वे एक विशिष्ट मामले में कैसे बातचीत करते हैं।

क्लोनिंग और डुप्लिकेशन का पता लगाना एक ऐसे दृश्य को संबोधित करता है जहां एक वास्तविक रिकॉर्ड को कई काल्पनिक रोगियों में दोहराया जाता है। जो इसे पकड़ने के लिए मुश्किल बनाता है वह यह है कि विविधताएं इतनी सूक्ष्म हो सकती हैं कि कोई भी रिकॉर्ड अकेले में संदिग्ध नहीं दिखता है। पैटर्न केवल तभी दिखाई देता है जब आप पूरे दावा आबादी की तुलना कर रहे हों। हमारी प्रणाली यह सामने ला सकती है कि जो रिकॉर्ड सतह पर अनोखे दिखते हैं वे वास्तव में एक सामान्य स्रोत के व्युत्पन्न हैं।

आंशिक कृत्रिम बुद्धिमत्ता-उत्पादन की पहचान महत्वपूर्ण है क्योंकि परिष्कृत धोखाधड़ी करने वाले हमेशा पूरे रिकॉर्ड को शून्य से नहीं बनाते हैं। एक अधिक सामान्य और कठिन से पकड़ने वाला पैटर्न मिश्रण है, जिसका अर्थ है एक वैध रोगी रिकॉर्ड लेना और कृत्रिम बुद्धिमत्ता का उपयोग करके अतिरिक्त सेवाओं या प्रक्रियाओं के लिए दावा करने के लिए अतिरिक्त सामग्री जोड़ना। वास्तविक खंड दस्तावेज़ को विश्वसनीय बनाते हैं, लेकिन जोड़े गए खंड ऐसी देखभाल के लिए दावों का प्रतिनिधित्व करते हैं जो वितरित नहीं की गई थी। हमारी प्रणाली विशेष रूप से इन उदाहरणों को खोजने के लिए ट्यून की गई है।

व्यवहार संबंधी क्रॉस-रेफरेंसिंग प्रलेखन को प्रदाता के पूरे दावा इतिहास से जोड़ती है। यदि प्रलेखन ऐसे नैरेटिव प्रस्तुत करता है जो समान मामलों में प्रदाता द्वारा ऐतिहासिक रूप से प्रलेखन के साथ संगत नहीं है, या यदि रिकॉर्ड की मात्रा और पैटर्न अचानक बेसलाइन से विचलित हो जाते हैं, तो वे संकेत हैं। अपने आप में, कोई भी निर्णायक नहीं है। एक साथ, जोखिम स्कोर आउटपुट में भारित और समझाया गया, वे जांचकर्ताओं को एक अर्थपूर्ण शुरुआती बिंदु प्रदान करते हैं जिसे मैनुअल रूप से विकसित करने में घंटे या दिन लगेंगे। जो इसे अन्य कृत्रिम बुद्धिमत्ता प्रणालियों से अलग बनाता है वह तीनों परतों का समन्वय है। सामग्री विश्लेषण अकेले मिश्रित दस्तावेजों को याद कर सकता है। व्यवहार संबंधी विश्लेषण अकेले एक पहली बार धोखाधड़ी करने वाले को याद कर सकता है जिसके पास कोई पrior पैटर्न नहीं है। यह तीनों परतों का एक साथ, सेकंड में संसाधित किया जाना है, जो अन्य कृत्रिम बुद्धिमत्ता प्रणालियों को पकड़ नहीं सकता है।

आपके दृष्टिकोण से, स्वास्थ्य बीमा कंपनियों और नियामकों को अगले कुछ वर्षों में किन गहरे नकली स्वास्थ्य सेवा धोखाधड़ी योजनाओं के लिए देखना चाहिए?

मुझे जो परिदृश्य सबसे ज्यादा चिंतित करते हैं वे वे हैं जो पैमाने के साथ संभावना को जोड़ते हैं जो ट्रैक करना मुश्किल है, यहां तक कि मजबूत पता लगाने वाले उपकरणों के साथ भी।

व्यवहार स्वास्थ्य एक वास्तविक कमजोरियों है। चिकित्सा सेवाओं के लिए प्रलेखन मुख्य रूप से कथात्मक है, जिसमें सत्र नोट्स, उपचार योजनाएं और प्रगति सारांश शामिल हैं। कोई प्रयोगशाला मूल्य नहीं हैं जिन्हें क्रॉस-रेफरेंस किया जा सकता है, कोई इमेजिंग नहीं है जिसे जांचा जा सकता है। एक धोखाधड़ी प्रदाता जो एक सामान्य भाषा मॉडल तक पहुंच सकता है, व्यवहार स्वास्थ्य प्रलेखन को असाधारण मात्रा में उत्पन्न कर सकता है, और एकमात्र व्यावहारिक तरीका यह है कि यह पता लगाने के लिए कृत्रिम बुद्धिमत्ता का उपयोग किया जाए कि क्या प्रलेखन सिंथेटिक पीढ़ी के लinguistic और संरचनात्मक हस्ताक्षर दिखाता है।

नैदानिक छवि धोखाधड़ी दूसरा क्षेत्र है जिस पर मैं करीब से नजर रख रहा हूं। मुफ्त और सुलभ कृत्रिम बुद्धिमत्ता उपकरण अब एक ही बीज छवि से वास्तविक चिकित्सा इमेजिंग विविधताओं का उत्पादन कर सकते हैं। जैसा कि वे उपकरण बेहतर होते हैं, सिंथेटिक आउटपुट वास्तविक स्कैन से अलग करना मुश्किल हो जाएगा, बिना उद्देश्य-निर्मित पता लगाने के। पेयर जिनके पास कोई छवि फोरेंसिक क्षमता नहीं है, वे इस बिंदु पर काम कर रहे हैं कि वे जो छवियां प्राप्त करते हैं वे वास्तविक हैं।

एक उभरता हुआ चिंता का विषय पहचान और प्रमाणीकरण धोखाधड़ी के आसपास है, जहां कृत्रिम बुद्धिमत्ता-उत्पन्न प्रलेखन धोखाधड़ी प्रदाता नामांकन या चिकित्सकीय रूप से आवश्यक सेवाओं के लिए पूर्व-अनुमोदन का समर्थन करता है। ये योजनाएं इसलिए पकड़ना मुश्किल है क्योंकि धोखाधड़ी स्वयं दावों में नहीं बल्कि प्रवेश प्रक्रिया में निहित है, और जब तक यह बिलिंग डेटा में सामने नहीं आता है, तब तक नुकसान पहले ही हो चुका होता है।

स्वास्थ्य सेवा दावे अक्सर बड़ी मात्रा में प्रलेखन और समर्थन साक्ष्य शामिल करते हैं। एक कृत्रिम बुद्धिमत्ता प्रणाली यह जानकारी कितनी तेजी से मूल्यांकन करती है ताकि यह धोखाधड़ी दावों को भुगतान से पहले रोक सके?

गति वास्तव में एक मूल डिज़ाइन आवश्यकता है, न कि एक अच्छा है। डीपफेक डिटेक्शन व्यावहारिक रूप से केवल तभी उपयोगी है जब यह दावा पाइपलाइन की गति से संचालित हो। यदि विश्लेषण घंटों लेता है या मानव को एक समीक्षा कतार को आरंभ करने की आवश्यकता है, तो आप पहले ही प्रीपे विंडो को याद कर चुके हैं, और आप प्रणाली से बाहर निकलने के बाद पुनर्प्राप्ति कार्य कर रहे हैं।

हमारी प्रणाली विश्लेषण को सेकंड में पूरा करने के लिए डिज़ाइन की गई है। जब प्रलेखन समीक्षा के लिए जमा किया जाता है, तो एआई अपना मूल्यांकन समानांतर में चला रहा है, न कि क्रमिक रूप से। सिंथेटिक सामग्री विश्लेषण, डुप्लिकेशन जांच, और व्यवहार संबंधी क्रॉस-रेफरेंसिंग एक ही समय में हो रहे हैं, न कि एक श्रृंखला में। आउटपुट एक जोखिम स्कोर के साथ विस्तृत विवरण के साथ है, ताकि जांचकर्ता को कच्चे संकेतों की व्याख्या करने की आवश्यकता न हो। उन्हें एक प्राथमिकता वाला परिणाम मिलता है। समानांतर वास्तुकला वह है जो हमें तेजी से और अधिक सटीकता के साथ ऐसा करने की अनुमति देती है। तीनों संकेत परतों को एक साथ चलाने से जोखिम स्कोर पूरी तस्वीर को प्रतिबिंबित करता है, न कि केवल पहली झंडा जो सामने आया था।

ब्रॉडर पॉइंट यह है कि जिस बदलाव के लिए हम पूरे कोडोक्सो के काम में दबाव डाल रहे हैं, जिसे हम पॉइंट जीरो कहते हैं, वह भुगतान की अखंडता हस्तक्षेप को आगे बढ़ाना है जितना संभव हो उतना अपस्ट्रीम। धोखाधड़ी दावे को भुगतान से पहले पकड़ना पूरी तरह से भुगतान के बाद पुनर्प्राप्ति से कहीं अधिक कुशल है। पुनर्प्राप्ति महंगी है, धीमी है, और अक्सर अधूरी है। रोकथाम दस्तावेज़ और साक्ष्य सत्यापन चरण में बदले हुए अर्थव्यवस्था के साथ आती है।

धोखाधड़ी पता लगाने वाले उपकरणों को जांचकर्ताओं, लेखा परीक्षकों और नियामकों के लिए समझाए जाने चाहिए। आप यह सुनिश्चित करने के लिए क्या करते हैं कि कृत्रिम बुद्धिमत्ता द्वारा उत्पन्न जोखिम स्कोर विशेष जांच इकाइयों और भुगतान अखंडता टीमों द्वारा समझे जा सकते हैं और विश्वास किए जा सकते हैं?

व्याख्यात्मकता इस डोमेन में वैकल्पिक नहीं है। यदि एक एसआईयू जांचकर्ता जोखिम स्कोर पर कार्रवाई करने जा रहा है, चाहे वह दावे को रोकना, एक मामला खोलना हो या अभियोजन के लिए एक रेफरल बनाना हो, उन्हें यह बताने में सक्षम होना चाहिए कि प्रणाली ने क्या पाया और क्यों। एक ब्लैक-बॉक्स आउटपुट जो केवल “उच्च जोखिम” कहता है एक उपयोगी उपकरण नहीं है जो कानूनी और नियामक जवाबदेही से जुड़े एक कार्य प्रवाह में है।

प्रत्येक जोखिम स्कोर जो हमारी प्रणाली उत्पन्न करती है में विशिष्ट धोखाधड़ी संकेतक शामिल होते हैं, जो स्कोर को चलाने वाले संकेतों को शामिल कर सकते हैं, पैटर्न की पहचान की जा सकती है, और असंगतता जो सामने आई थी। जांचकर्ता स्कोर से तर्क का पालन कर सकता है वापस साक्ष्य की ओर। यह स्तर की विशिष्टता केवल तभी संभव है क्योंकि अंतर्निहित पता लगाना स्वास्थ्य सेवा प्रलेखन के लिए विशिष्ट रूप से निर्मित है।

हमने एक अनुकूल प्रॉम्प्टिंग क्षमता भी बनाई है, जो जांचकर्ताओं को विशिष्ट जांच दृश्यों और अनोखे धोखाधड़ी पैटर्न के लिए विश्लेषण को अनुकूलित करने की अनुमति देती है। यह व्यावहारिक रूप से महत्वपूर्ण है क्योंकि इसका मतलब है कि प्रणाली एक-आकार-फिट-सभी विश्लेषण नहीं चला रही है और जांचकर्ताओं से सामान्य आउटपुट की व्याख्या करने के लिए कह रही है। वे मामले के लिए विशिष्ट प्रश्नों के आधार पर पूछताछ को आकार दे सकते हैं जो वे देख रहे हैं, जो परिणामों को अधिक उपयोगी और कानूनी कार्यवाही में समझाने में आसान बनाता है।

नियामक पक्ष पर, ओआईजी, सीएमएस, और राज्य एजेंसियां बढ़ती जांच कर रही हैं कि संगठन भुगतान की रोकथाम में कृत्रिम बुद्धिमत्ता का उपयोग कैसे कर रहे हैं। यह प्रदर्शित करने में सक्षम होना कि आपका पता लगाने वाला तरीका व्याख्यात्मक और लेखा परीक्षा योग्य है, न केवल अच्छा अभ्यास है, बल्कि जिम्मेदार तैनाती का एक घटक है जो अनुपालन जोखिम को कम करता है।

क्योंकि जनरेटिव कृत्रिम बुद्धिमत्ता में सुधार जारी है, धोखाधड़ी करने वाले अधिक परिष्कृत हो जाएंगे। कोडोक्सो अपने मॉडल को नए रूपों के सिंथेटिक चिकित्सा प्रलेखन के उभरने के साथ लगातार अनुकूलन के लिए कैसे डिज़ाइन करता है?

चुनौती यह है कि धोखाधड़ी एक दुश्मनी है। जैसे-जैसे पता लगाने में सुधार होता है, दूसरी तरफ रणनीतियां विकसित होती हैं। कोई भी प्रणाली जो एक बार प्रशिक्षित होती है और बिना अपडेट के तैनात की जाती है, समय के साथ खराब हो जाएगी, क्योंकि धोखाधड़ी करने वाले सीखते हैं कि यह क्या ट्रिगर करता है और इसे समायोजित करते हैं। यह वही मूलभूत समस्या है जो किसी भी स्थिर पता लगाने वाले दृष्टिकोण को अपर्याप्त बनाती है, चाहे वह नियम-आधारित हो या एक कृत्रिम बुद्धिमत्ता मॉडल जो अपडेट करने के लिए डिज़ाइन नहीं किया गया हो। उपकरण की परिष्कृतता का कोई मतलब नहीं है यदि अंतर्निहित वास्तुकला खतरे के साथ तालमेल नहीं बैठती है।

हमारा दृष्टिकोण यह है कि पता लगाने को एक निरंतर अद्यतन क्षमता के रूप में मानें, न कि एक निश्चित उत्पाद के रूप में। जैसे ही नई धोखाधड़ी पैटर्न प्रणाली में सामने आते हैं और जैसे ही कृत्रिम बुद्धिमत्ता पीढ़ी तकनीक विकसित होती है, वे पैटर्न मॉडल में सुधार को खिलाते हैं। प्रणाली उभरते हुए खतरे की पहचान करने में बेहतर होने के लिए डिज़ाइन की गई है, न कि केवल उन खतरों के लिए जो तैनाती के समय मौजूद थे। यह दush्मनी की गतिविधि को देखते हुए महत्वपूर्ण है, जिसमें जनरेटिव कृत्रिम बुद्धिमत्ता की प्रगति की गति और धोखाधड़ी करने वालों द्वारा नए दृष्टिकोणों के प्रयोग की गति शामिल है, साथ ही साथ उन दृष्टिकोणों में से कुछ जो पता लगाने वाले उपकरणों को कमजोर करने के लिए डिज़ाइन किए गए हैं।

यह एक निरंतर प्रतिस्पर्धा होगी। कोई अंतिम, हल की गई स्थिति नहीं है। हमने जो प्रतिबद्धता की है वह यह है कि पता लगाने की क्षमताओं को खतरे के साथ अद्यतन रखने के लिए, और हमारी एजेंटिक वास्तुकला ही यह संभव बनाती है जो पैमाने पर है।

आगे देखते हुए, क्या आप मानते हैं कि गहरे नकली पता लगाना स्वास्थ्य सेवा के बुनियादी ढांचे का एक मानक घटक बन जाएगा, जैसे कि वित्त में एएमएल प्रणालियां काम करती हैं, या क्या उद्योग को चिकित्सा डेटा में विश्वास और सत्यापन के लिए पूरी तरह से नए दृष्टिकोण की आवश्यकता होगी?

मुझे लगता है कि डीपफेक डिटेक्शन मानक बुनियादी ढांचा बन जाएगा, और उस पर समयरेखा उद्योग में अधिकांश लोगों की अपेक्षा से छोटी है। एएमएल फ्रेमवर्क वित्तीय सेवाओं में मानक बनने से पहले, उद्योग ने भारी मात्रा में नियम-आधारित पता लगाने और मैनुअल समीक्षा पर भरोसा किया था। बदलाव तब हुआ जब खतरा इतना बड़ा हो गया कि प्रतिक्रियात्मक पता लगाना स्पष्ट रूप से अपर्याप्त था, और जब नियामक परिदृश्य ने यह अपेक्षा को संस्थागत किया कि वित्तीय संस्थानों में निरंतर अद्यतन नियंत्रण होंगे। स्वास्थ्य सेवा एक समान बिंदु की ओर बढ़ रही है।

जो पहले से ही हो रहा है वह यह है कि जो पेयर डीपफेक डिटेक्शन को अब तैनात कर रहे हैं, वे इसे इसलिए कर रहे हैं क्योंकि खतरा वास्तविक और वर्तमान है, न कि इसलिए कि नियामक इसे आवश्यक बनाते हैं। जैसे ही इन शुरुआती तैनाती से नुकसान को रोकने के सबूत उत्पन्न होते हैं, और जैसे ही एआई-जनित धोखाधड़ी योजनाएं प्रवर्तन कार्रवाई और सार्वजनिक रिपोर्टिंग में अधिक दिखाई देने लगती हैं, यह अपेक्षा पूरे उद्योग में फैल जाएगी।

आगे देखते हुए, जैसा कि जनरेटिव कृत्रिम बुद्धिमत्ता में सुधार जारी है, उद्योग को दस्तावेज़ प्रामाणिकता को स्थापित करने के तरीके के बारे में पुनः विचार करने की आवश्यकता हो सकती है जब यह बनाया जा रहा है, न कि बाद में सत्यापित किया जा रहा है। इसका मतलब यह हो सकता है कि इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड स्तर पर क्रिप्टोग्राफिक प्रमाणीकरण, प्रदाता पहचान सत्यापन जो प्रलेखन कार्य प्रवाह में एकीकृत है, या अन्य तंत्र जो एक दस्तावेज़ की उत्पत्ति को ट्रेस करने योग्य बनाते हैं जो वर्तमान में नहीं हैं। पता लगाने का पता लगाना वर्तमान खतरे का एक आवश्यक प्रतिक्रिया है। लेकिन टिकाऊ समाधान के लिए चिकित्सा रिकॉर्ड बनाने और संचारित करने के बुनियादी ढांचे में सत्यापन का निर्माण करने की आवश्यकता हो सकती है।

धन्यवाद इस महान साक्षात्कार के लिए, पाठक जो और जानना चाहते हैं उन्हें कोडोक्सो पर जाना चाहिए।