สัมภาษณ์
ดร. มูเชียร์ อาห์เหม็ด PhD ผู้ก่อตั้งและซีอีโอของ Codoxo – สัมภาษณ์ซีรีส์
ดร. มูเชียร์ อาห์เหม็ด PhD ผู้ก่อตั้งและซีอีโอของ Codoxo เป็นนักเทคโนโลยีและนักธุรกิจที่มุ่งเน้นในการนำเทคโนโลยี AI มาใช้ในการแก้ปัญหาความไร้ประสิทธิภาพในระบบสาธารณสุข เขาก่อตั้ง Codoxo ขึ้นโดยอาศัยการวิจัยที่เขาทำระหว่างการเรียน PhD ที่ Georgia Institute of Technology โดยที่เขาพัฒนาแนวทาง AI ที่ได้รับการจดสิทธิบัตรในการตรวจจับการฉ้อโกง การสูญเสีย และการละเว้นในเรื่องการเรียกร้องค่าชดเชยทางการแพทย์ ภายใต้การนำของเขา บริษัทได้เติบโตขึ้นเป็นผู้ให้บริการโซลูชันการชำระเงินที่มีความซื่อสัตย์โดยใช้ AI ซึ่งช่วยให้องค์กรสาธารณสุขสามารถระบุความเสี่ยงได้เร็วขึ้นและเปลี่ยนจากการตรวจสอบแบบตอบรับเป็นการควบคุมค่าใช้จ่ายแบบก้าวหน้า
Codoxo เป็นบริษัท AI ในสาธารณสุขที่มุ่งเน้นในการลดความไร้ประสิทธิภาพและค่าใช้จ่ายที่ไม่จำเป็นในระบบสาธารณสุขโดยใช้แพลตฟอร์ม Forensic AI ของตน แพลตฟอร์มนี้ใช้อัลกอริทึมที่ได้รับการจดสิทธิบัตรและ AI ในการวิเคราะห์ข้อมูลการเรียกร้องค่าชดเชยจำนวนมาก โดยการระบุพฤติกรรมที่น่าสงสัย ความผิดปกติในการเรียกเก็บเงิน และรูปแบบการฉ้อโกงที่เกิดขึ้นใหม่เร็วกว่าระบบแบบดั้งเดิม โดยการทำให้ผู้จ่ายเงินสาธารณสุข หน่วยงานรัฐบาล และผู้จัดการผลประโยชน์ยาสามารถเข้าแทรกแซงได้ก่อนหรือระหว่างกระบวนการเรียกร้องค่าชดเชย Codoxo ช่วยให้อุตสาหกรรมเปลี่ยนจากการฟื้นฟูการชำระเงินแบบย้อนหลังเป็นการรักษาความซื่อสัตย์ในการชำระเงินแบบก้าวหน้า แพลตฟอร์มการควบคุมค่าใช้จ่ายที่รวมกันของบริษัทรวมถึงการขุดข้อมูล การศึกษาผู้ให้บริการ การทำงานตรวจสอบ และการบริหารกรณี ซึ่งช่วยให้องค์กรปรับปรุงความแม่นยำ ลดการชำระเงินมากเกินไป และทำให้กระบวนการทำงานราบรื่นขึ้น，同时ที่กล่าวถึงการขาดทุนหลายร้อยล้านเหรียญที่สูญเสียไปจากการฉ้อโกง การสูญเสีย และการละเว้น
คุณก่อตั้ง Codoxo หลังจากทำวิจัยเกี่ยวกับการตรวจจับการฉ้อโกงทางการแพทย์ระหว่างการเรียน PhD ที่ Georgia Tech สิ่งใดที่ทำให้คุณเชื่อมั่นว่า AI สามารถเปลี่ยนแปลงวิธีการตรวจจับการฉ้อโกง การสูญเสีย และการละเว้นในระบบสาธารณสุขได้อย่างไร?
ฉันเชื่อมั่นไม่ใช่จากช่วงเวลาใดช่วงเวลาหนึ่ง แต่จากการที่เห็นว่าแนวทางที่มีอยู่ล้มเหลวอย่างไร ระบบสาธารณสุขในประเทศสหรัฐฯ มีการสูญเสียประมาณ 330 พันล้านดอลลาร์ต่อปี ซึ่งมากกว่าการฉ้อโกงประกันภัยอื่นๆ ทั้งหมดในประเทศรวมกัน และวิธีการตรวจจับที่โดดเด่นสามารถจับได้เพียงสิ่งที่พวกมันได้รับการฝึกฝนมาแล้ว แม้ว่า AI จะเข้ามาในภาพ แต่วิธีการส่วนใหญ่ยังคงเป็นแบบตอบรับ ไม่ใช่การค้นหาสิ่งที่ไม่ทราบก่อนหน้านี้ จุดที่ทำให้ฉันตระหนักคือเมื่อฉันรู้ว่าการฉ้อโกงเป็นปัญหาที่ไม่หยุดนิ่ง ผู้กระทำความผิดปรับเปลี่ยน พวกเขาเรียนรู้ว่าสิ่งใดที่ทำให้เกิดการแจ้งเตือนและหลบเลี่ยงไป
สิ่งที่ AI มอบให้คือความสามารถในการค้นหาพฤติกรรมที่ไม่มีใครคิดจะเขียนล่วงหน้า ในระหว่างการทำวิทยานิพนธ์ที่ Georgia Tech ฉันสร้างแบบจำลองที่สามารถมองข้ามประวัติการเรียกร้องค่าชดเชยของผู้ให้บริการทั้งหมด ระบุพฤติกรรมที่ผิดปกติ และเชื่อมสัญญาณที่นักวิเคราะห์หรือเครื่องมือตามกฎไม่เคยเชื่อมโยงกัน กลุ่มที่ปรึกษาจェสัน ซึ่งให้คำแนะนำรัฐบาลสหรัฐฯ ในด้านวิทยาศาสตร์และเทคโนโลยี ยอมรับว่างานนั้นเป็นการแก้ไขช่องว่างที่แท้จริงในการใช้ข้อมูลสุขภาพสำหรับการชำระเงินที่มีความซื่อสัตย์ การยอมรับนั้นบอกฉันว่าปัญหานี้รุนแรงพอที่จะสร้างบริษัทขึ้นมา
ความเชื่อมั่นหลักที่ผลักดันฉันตอนนั้นคือสิ่งเดียวกับที่ผลักดันสิ่งที่เรากำลังสร้างที่ Codoxo ในปัจจุบัน: ข้อมูลการเรียกร้องค่าชดเชยทางการแพทย์มีสัญญาณที่คุณต้องจับ แต่คุณสามารถดึงสัญญาณนั้นออกมาได้เพียงด้วย AI ที่สามารถมองเห็นภาพรวมได้อย่างรวดเร็วและแม่นยำ ไม่ใช่แค่การตรวจสอบกล่อง
การฉ้อโกงทางการแพทย์มีประวัติยาวนานเป็นปัญหาหลายพันล้านดอลลาร์ แต่ AI ที่สร้างข้อมูลใหม่ๆ ดูเหมือนจะเร่งการฉ้อโกงเหล่านี้อย่างมาก การเพิ่มขึ้นของเครื่องมือที่สามารถสร้างเอกสารและภาพวินิจฉัยที่น่าเชื่อถือได้เปลี่ยนภูมิทัศน์การคุกคามสำหรับผู้จ่ายเงินสาธารณสุขและทีมความซื่อสัตย์ในการชำระเงินอย่างไร?
มันเปลี่ยนไปในทางที่สำคัญ และอุตสาหกรรมยังไม่ได้รับทราบถึงความสำคัญของการเปลี่ยนแปลงนี้ การฉ้อโกงแบบเก่าจำเป็นต้องมีการสร้างเอกสารด้วยตนเอง ผู้กระทำความผิดที่ทำการฉ้อโกงต้องสร้างบันทึกขึ้นมาหนึ่งๆ ต่อหนึ่งๆ แก้ไขรูปภาพแต่ละภาพ และสร้างบันทึกที่น่าเชื่อถือเพียงพอเพื่อผ่านการตรวจสอบ การเสียดสีนี้สร้างเพดานตามธรรมชาติในการฉ้อโกง
AI ที่สร้างข้อมูลใหม่ๆ ลบเพดานนั้นออกไป วันนี้ใครก็ตามสามารถขอให้โมเดลภาษาขนาดใหญ่สร้างบันทึกการรักษา 50 ครั้งสำหรับการรักษาโรค 焦虑 และจะได้รับภายใน 5 นาที บันทึกเหล่านั้นจะใช้คำศัพท์ทางการแพทย์ที่เหมาะสม ติดตามโครงเรื่องเชิงตรรกะ และดูเหมือนสอดคล้องกันภายในตัวมันเอง ระบบตรวจจับการฉ้อโกงส่วนใหญ่ไม่ได้รับการออกแบบมาเพื่อประเมินว่าเอกสารเป็นของแท้หรือสังเคราะห์ พวกมันถูกออกแบบมาเพื่อตรวจสอบว่ารหัสการเรียกเก็บเงินถูกใช้อย่างถูกต้อง ระบุรูปแบบที่ทราบ และจับคู่กับลายเซ็นการฉ้อโกงที่มีอยู่ ดังนั้นเอกสารสังเคราะห์จึงผ่านไปได้แม้กระทั่งระบบที่อ้างว่ามีส่วนประกอบ AI
เรายังเห็นสิ่งนี้ในเรื่องการถ่ายภาพทางการแพทย์ อีกด้วย อ็กซเรย์หนึ่งรูปสามารถใช้เป็นเมล็ดพันธุ์สำหรับการสร้างรูปภาพหลายร้อยรูปที่ถูกสร้างขึ้นโดย AI โดยแต่ละรูปจะถูกส่งภายใต้ผู้ป่วยที่แตกต่างกัน ระบบที่ไม่มีความสามารถในการเปรียบเทียบรูปภาพจะเห็น 50 กรณีที่ดูเป็นเอกลักษณ์ แต่ความเป็นจริงคือหนึ่งรูปถ่ายจริงและ 49 รูปสังเคราะห์ที่ซ้ำกัน ภูมิทัศน์การคุกคามได้เปลี่ยนจากผู้กระทำความผิดที่โดดเดี่ยวไปเป็นบุคคลที่สามารถดำเนินแผนการฉ้อโกงที่สามารถทำซ้ำได้โดยไม่ต้องมีความเชี่ยวชาญทางเทคนิค
ระบบตรวจจับการฉ้อโกงแบบดั้งเดิมหลายระบบพึ่งพาแบบจำลองที่ใช้กฎและตรวจสอบด้วยตนเอง ทำไมวิธีการเหล่านี้จึงมีประสิทธิภาพน้อยลงเมื่อเผชิญกับเอกสารทางการแพทย์ที่สร้างขึ้นหรือแก้ไขโดย AI?
ระบบตรวจจับการฉ้อโกงส่วนใหญ่ ไม่ว่าจะเป็นแบบจำลองที่ใช้กฎหรือ AI รุ่นก่อนๆ ทำงานบนสมมติฐานที่มีข้อบกพร่องในขณะนี้: ว่าเอกสารทั้งหมดที่เข้าสู่ระบบถูกสร้างขึ้นโดยมนุษย์ที่ปฏิบัติตามกระบวนการทางคลินิกตามปกติ เมื่อสมมติฐานนี้ล้มเหลว ระบบตรวจจับการฉ้อโกงทั้งหมดล้มเหลวด้วย
เครื่องมือตามกฎสามารถระบุรหัสการเรียกเก็บเงินที่ไม่可能 การเรียกเก็บเงินจากผู้ให้บริการสำหรับชั่วโมงที่มากกว่าที่มีอยู่ในหนึ่งวัน หรือการดำเนินการสำหรับผู้ป่วยที่เสียชีวิตแล้ว สิ่งเหล่านี้ล้วนเป็นการตรวจจับที่แท้จริงและเป็นประโยชน์ แต่ตรรกะตามกฎไม่สามารถมองเห็นเอกสารและกำหนดได้ว่าเอกสารนั้นถูกเขียนโดยแพทย์ที่เห็นผู้ป่วยจริงหรือสร้างขึ้นโดยโมเดล AI ที่ไม่เคยปฏิบัติงานแพทย์ ผลลัพธ์ของทั้งสองสามารถเหมือนกันได้
การตรวจสอบด้วยตนเองมีเพดานเดียวกัน การศึกษาบางอย่างแสดงให้เห็นว่าเพียง 34% ของผู้คนสามารถระบุ “deepfake” ได้แม้ว่าจะได้รับแจ้งว่ามีและกำลังมองหาสิ่งนั้นอยู่ก็ตาม ผู้ตรวจสอบ SIU ที่กำลังตรวจสอบเอกสารมีไม่มีการฝึกอบรมด้านนิติเวชที่จะตรวจจับข้อความสังเคราะห์ ไม่มีเครื่องมือในการเปรียบเทียบรูปภาพ และไม่มีเวลาในการตรวจสอบอย่างละเอียดทุกครั้ง ปัญหาปริมาณเพียงอย่างเดียวทำให้การตรวจสอบอย่างครอบคลุมเป็นไปไม่ได้ และสิ่งนี้เป็นจริงก่อนที่ AI ที่สร้างข้อมูลใหม่ๆ จะเริ่มเร่งการฉ้อโกงเอกสาร
มีความคุกคามที่เกิดขึ้นใหม่ที่ฉันคิดว่าถูกมองข้าม: สิ่งที่นักวิจัยเรียกว่า “trojan deepfake engines” ซึ่งเป็นตัวแทนที่ออกแบบมาเพื่อทำลายซอฟต์แวร์ตรวจจับ โดยใช้กลยุทธ์เช่นการขัดขวางการวิเคราะห์รูปภาพหรือการปรับเปลี่ยนคำสั่งใหม่ ดังนั้นการโต้ตอบที่ไม่เป็นมิตรไม่ใช่แค่การฉ้อโกงที่สร้างเอกสารสังเคราะห์ แต่ยังรวมถึงการพยายามทำลายเครื่องมือที่สร้างขึ้นเพื่อจับพวกเขา สิ่งนี้เป็นส่วนหนึ่งของเหตุผลที่ว่าทำไมวิธีการตรวจจับที่คงที่ ไม่ว่าจะเป็นแบบจำลองตามกฎหรือ AI ที่ไม่ได้รับการออกแบบให้อัปเดต จะตกหล่นเสมอ
Codoxo ได้เปิดตัว Deepfake Detection เพื่อจัดการกับความเสี่ยงนี้อย่างไร?
หลักการออกแบบหลักคือเราได้สร้าง Deepfake Detection ขึ้นโดยเฉพาะสำหรับเอกสารทางการแพทย์ ไม่ใช่การปรับเครื่องมือตรวจจับ AI ทั่วไปให้เข้ากับบริบททางคลินิก สิ่งนี้มีความสำคัญเพราะสัญญาณที่บ่งบอกถึงเนื้อหาสังเคราะห์ในเอกสารทางการแพทย์แตกต่างจากสัญญาณที่เกี่ยวข้องในโดเมนอื่นๆ
ในระดับสูง ระบบวิเคราะห์เอกสารทางการแพทย์และรูปภาพพร้อมกับบริบวนการเรียกร้องค่าชดเชยทั้งหมด และทำสิ่งนี้ภายในเวลาไม่กี่วินาที เมื่อผู้ตรวจสอบ SIU อัปโหลดเอกสารที่ต้องสงสัย AI จะวิเคราะห์ข้ามหลายมิติพร้อมกัน มันจะตรวจหาสัญญาณของเนื้อหาสังเคราะห์หรือการแก้ไข ตรวจสอบรูปแบบการโคลนและซ้ำกันในประวัติการเรียกร้องค่าชดเชยของ ผู้จ่ายเงิน และประเมินความสอดคล้องทางพฤติกรรมระหว่างเอกสารและรูปแบบทางประวัติศาสตร์ของผู้ให้บริการ
สิ่งหนึ่งที่ควรทราบคือความกว้างของรูปแบบที่ระบบสามารถทำงานได้ มันจัดการเอกสารข้อความในรูปแบบ PDF, Word และ XML, สเปรดชีต, รูปภาพทางการแพทย์ และแม้กระทั่งบันทึกที่เขียนด้วยมือ สิ่งนี้มีความสำคัญในทางปฏิบัติเพราะเอกสารฉ้อโกงไม่ได้มาในรูปแบบที่เรียบร้อยเพียงรูปแบบเดียว และระบบตรวจจับที่ครอบคลุมเฉพาะสิ่งที่ SIU ทีมได้รับจะทิ้งช่องว่างที่นักฉ้อโกงที่ซับซ้อนจะพบได้ในที่สุด
จากการวิเคราะห์ทั้งหมดนี้ ระบบจะสร้างคะแนนความเสี่ยงตั้งแต่ 0 ถึง 100 พร้อมคำอธิบายรายละเอียด เพื่อให้ผู้ตรวจสอบเข้าใจสิ่งที่ขับเคลื่อนคะแนนนั้นเป็นอย่างไร เป้าหมายในทุกขั้นคือการผลิตผลลัพธ์ที่สามารถดำเนินการได้ ไม่ใช่แค่การแจ้งเตือน และทำสิ่งนี้ได้เร็วกว่าและแม่นยำกว่าระบบทั่วไป
แพลตฟอร์มของคุณเน้นความสามารถในการตรวจจับการโคลน การระบุการสร้าง AI ที่ไม่สมบูรณ์ และการอ้างอิงพฤติกรรมข้ามประวัติการเรียกร้องค่าชดเชย คุณสามารถอธิบายได้อย่างไรว่าสัญญาณเหล่านี้รวมกันเพื่อสร้างคะแนนความเสี่ยงที่มีความหมายสำหรับผู้ตรวจสอบ?
ความสามารถแต่ละอย่างมุ่งเป้าไปที่รูปแบบการฉ้อโกงที่แตกต่างกัน และคะแนนความเสี่ยงสะท้อนถึงวิธีการที่พวกมันโต้ตอบกันในกรณีเฉพาะ
การตรวจจับการโคลนและการซ้ำกันจัดการกับสถานการณ์ที่บันทึกที่แท้จริงหนึ่งรายการถูกทำซ้ำข้ามผู้ป่วยที่สร้างขึ้นหลายราย สิ่งที่ทำให้สิ่งนี้ยากที่จะจับได้คือการเปลี่ยนแปลงสามารถละเอียดถึงขนาดที่ไม่มีเอกสารใดเอกสารหนึ่งดูเหมือนน่าสงสัยเมื่อแยกออกมา แต่แบบจำลองของเราสามารถระบุได้ว่าชุดเอกสารที่ดูเหมือนเป็นเอกลักษณ์บนพื้นผิวนั้นเป็นอนุพันธ์ของต้นกำเนิดร่วมกัน
การตรวจจับการสร้าง AI ที่ไม่สมบูรณ์เป็นสิ่งสำคัญเพราะนักฉ้อโกงที่ซับซ้อนไม่ได้สร้างเอกสารทั้งหมดยang จากศูนย์ รูปแบบที่พบบ่อยกว่าคือการผสมผสาน โดยใช้ AI ในการเพิ่มบริการหรือการรักษาเพิ่มเติมเข้าไปในบันทึกผู้ป่วยที่แท้จริง ส่วนของเอกสารที่แท้จริงทำให้เอกสารดูเชื่อถือได้ แต่ส่วนที่เพิ่มเข้ามาแทนการรักษาที่ไม่เคยให้ ระบบของเราสามารถระบุกรณีเหล่านี้ได้
การอ้างอิงพฤติกรรมเชื่อมโยงเอกสารที่กำลังตรวจสอบกับประวัติการเรียกร้องค่าชดเชยทั้งหมดของผู้ให้บริการ หากเอกสารนำเสนอเรื่องราวทางคลินิกที่ไม่สอดคล้องกับวิธีที่ผู้ให้บริการได้บันทึกกรณีคล้ายกันในอดีต หรือหากปริมาณและรูปแบบของเอกสารสนับสนุนเปลี่ยนแปลงอย่างรวดเร็วจากค่าพื้นฐาน สิ่งเหล่านี้เป็นสัญญาณ เมื่อแยกออกมา สัญญาณเหล่านี้ไม่ใช่สิ่งบ่งชี้ที่ชัดเจน แต่เมื่อรวมกัน โดยถูกชั่งน้ำหนักและอธิบายไว้ในคะแนนความเสี่ยง ผู้ตรวจสอบจะได้รับจุดเริ่มต้นที่มีความหมายซึ่งจะใช้เวลาหลายชั่วโมงหรือหลายวันในการพัฒนาด้วยตนเอง
จากมุมมองของคุณ สิ่งใดที่เป็นภัยคุกคามที่น่ากังวลที่สุดซึ่งผู้จ่ายเงินสาธารณสุขและหน่วยงานกำกับดูแลควรต้องระวังในอีกไม่กี่ปีข้างหน้า?
สถานการณ์ที่ทำให้ฉันกังวลที่สุดคือสถานการณ์ที่รวมทั้งขนาดและความน่าเชื่อถือในทางที่ยากต่อการติดตาม แม้แต่ด้วยการตรวจจับที่แข็งแกร่ง
สุขภาพจิตเป็นจุดอ่อนที่แท้จริง เอกสารสำหรับการรักษาสุขภาพจิตส่วนใหญ่เป็นเรื่องราว โดยรวมถึงบันทึกการรักษา แผนการรักษา และสรุปผลการรักษา ไม่มีค่าเลือด ไม่มีการถ่ายภาพรังสี ผู้ให้บริการที่ฉ้อโกงซึ่งมีการเข้าถึงโมเดลภาษาทั่วไปสามารถสร้างเอกสารสุขภาพจิตที่น่าเชื่อถือได้ในปริมาณมาก และทางปฏิบัติเดียวที่จะตรวจจับได้คือการใช้ AI ที่สามารถประเมินว่าเอกสารแสดงสัญญาณของการสร้างสังเคราะห์หรือไม่
การฉ้อโกงการถ่ายภาพทางการแพทย์เป็นอีกพื้นที่ที่ฉันจับตาดูอย่างใกล้ชิด เครื่องมือ AI ที่ฟรีและเข้าถึงได้สามารถสร้างรูปภาพทางการแพทย์ที่สมจริงได้จากภาพเดียว เมื่อเครื่องมือเหล่านี้ดีขึ้น ผลลัพธ์สังเคราะห์จะยากต่อการแยกแยะจากการสแกนจริงโดยไม่มีการตรวจสอบรูปภาพโดยเฉพาะ ผู้จ่ายเงินที่ไม่มีความสามารถในการตรวจสอบรูปภาพในกระบวนการทำงานของตน ณ จุดนี้กำลังดำเนินงานบนพื้นฐานของความไว้วางใจว่ารูปภาพที่พวกเขาได้รับนั้นเป็นของแท้
มีความกังวลที่เกิดขึ้นใหม่เกี่ยวกับการฉ้อโกงเอกลักษณ์และการรับรอง โดยที่เอกสารสังเคราะห์สนับสนุนการลงทะเบียนผู้ให้บริการที่ปลอมหรือการอนุมัติล่วงหน้าสำหรับการบริการที่ไม่จำเป็นทางการแพทย์ แผนการเหล่านี้ยากต่อการตรวจจับเพราะการฉ้อโกงถูกฝังอยู่ในกระบวนการรับเข้า ไม่ใช่ในใบเรียกเก็บเงินเอง และเมื่อมันปรากฏในข้อมูลการเรียกเก็บเงิน อันตรายก็เกิดขึ้นแล้ว
การเรียกร้องค่าชดเชยทางการแพทย์มักเกี่ยวข้องกับปริมาณเอกสารและหลักฐานที่มาก ระบบ AI วิเคราะห์ข้อมูลนี้ได้อย่างรวดเร็วเพียงพอเพื่อหยุดการเรียกร้องค่าชดเชยที่ฉ้อโกงได้ก่อนที่จะชำระเงิน?
ความเร็วเป็นข้อกำหนดในการออกแบบหลัก ไม่ใช่สิ่งที่ดี ระบบ Deepfake Detection มีประโยชน์ในการใช้งานจริงเพียงถ้าทำงานที่ความเร็วของกระบวนการเรียกร้องค่าชดเชย หากการวิเคราะห์ใช้เวลานานหรือต้องมีการตรวจสอบด้วยตนเอง คุณก็พลาดช่วงเวลาก่อนการชำระเงินแล้ว และคุณกลับไปทำการฟื้นฟูการชำระเงินหลังจากที่เงินออกจากระบบ
ระบบของเราออกแบบมาเพื่อทำการวิเคราะห์ให้เสร็จภายในไม่กี่วินาที เมื่อเอกสารถูกส่งเข้ามาเพื่อตรวจสอบ AI จะทำงานการประเมินของมันในแบบขนาน ไม่ใช่แบบลำดับ การตรวจจับเนื้อหาสังเคราะห์ การตรวจสอบการซ้ำกัน และการอ้างอิงพฤติกรรมเกิดขึ้นพร้อมๆ กัน ไม่ใช่ในลำดับ ผลลัพธ์คือคะแนนความเสี่ยงพร้อมคำอธิบาย ดังนั้นผู้ตรวจสอบจึงไม่ต้องตีความสัญญาณดิบ พวกเขาได้รับผลลัพธ์ที่จัดลำดับความสำคัญและสามารถดำเนินการได้ สถาปัตยกรรมแบบขนานเป็นส่วนหนึ่งของสิ่งที่ทำให้เราทำสิ่งนี้ได้เร็วกว่าและแม่นยำยิ่งขึ้น การทำงานทั้งสามชั้นของสัญญาณพร้อมกันหมายความว่าคะแนนความเสี่ยงสะท้อนถึงภาพรวมของกรณี ไม่ใช่แค่สัญญาณแรกที่ปรากฏขึ้น
เครื่องมือตรวจจับการฉ้อโกงต้องสามารถอธิบายได้สำหรับผู้ตรวจสอบ ผู้ตรวจสอบ และหน่วยงานกำกับดูแล คุณรับรองว่าคะแนนความเสี่ยงที่สร้างโดย AI สามารถเข้าใจและเชื่อถือได้โดยหน่วยงานพิเศษในการสืบสวนและทีมความซื่อสัตย์ในการชำระเงินได้อย่างไร?
ความสามารถในการอธิบายไม่ใช่สิ่งเลือกได้ในโดเมนนี้ หากผู้ตรวจสอบ SIU จะดำเนินการตามคะแนนความเสี่ยง ไม่ว่าจะจับใบเรียกเก็บเงิน เปิดกรณี หรือสร้างการอ้างอิงสำหรับการดำเนินคดี พวกเขาต้องสามารถอธิบายได้ว่าระบบพบอะไรและทำไม คะแนนความเสี่ยงที่เป็นกล่องดำที่บอกว่า “ความเสี่ยงสูง” ไม่ใช่เครื่องมือที่มีประโยชน์ในกระบวนการที่มีความรับผิดชอบทางกฎหมายและกฎระเบียบ
คะแนนความเสี่ยงแต่ละคะแนนที่ระบบของเราสร้างขึ้นมาประกอบด้วยตัวบ่งชี้การฉ้อโกงเฉพาะ ซึ่งสามารถรวมถึงสัญญาณที่ขับเคลื่อนคะแนน รูปแบบที่ระบุ และความไม่สอดคล้องที่ถูกเปิดเผย ผู้ตรวจสอบสามารถติดตามเหตุผลจากคะแนนกลับไปสู่หลักฐานได้ ระดับของความเฉพาะเจาะจงนี้เป็นไปได้เพียงเพราะการตรวจจับที่อยู่เบื้องหลังคือการออกแบบมาโดยเฉพาะสำหรับเอกสารทางการแพทย์
เรายังสร้างความสามารถในการส่งคำสั่งแบบกำหนดเอง ซึ่งช่วยให้ผู้ตรวจสอบสามารถปรับวิเคราะห์สำหรับสถานการณ์การสืบสวนและรูปแบบการฉ้อโกงที่ไม่เหมือนใครได้ สิ่งนี้มีความสำคัญในทางปฏิบัติเพราะระบบไม่ได้ทำงานการวิเคราะห์แบบหนึ่งขนาดที่เหมาะกับทุกคน และขอให้ผู้ตรวจสอบตีความผลลัพธ์ทั่วไป มันช่วยให้พวกเขาได้รับการสืบสวนตามสิ่งที่พวกเขากำลังมองหาในกรณีใดกรณีหนึ่ง ซึ่งทำให้ผลลัพธ์มีประโยชน์มากขึ้นและอธิบายได้ง่ายขึ้นสำหรับผู้ตรวจสอบหรือในกระบวนการทางกฎหมาย
เมื่อ AI ที่สร้างข้อมูลใหม่ๆ ยังคงพัฒนา นักฉ้อโกงจะกลายเป็นนักฉ้อโกงที่ซับซ้อนมากขึ้น คุณออกแบบโมเดลของ Codoxo เพื่อปรับตัวให้เข้ากับรูปแบบการฉ้อโกงที่ใหม่และซับซ้อนขึ้นอย่างไร?
ความท้าทายคือการฉ้อโกงเป็นปัญหาที่ไม่เป็นมิตรตามธรรมชาติ เมื่อการตรวจจับดีขึ้น ยุทธวิธีทางอีกด้านจะพัฒนา ระบบใดๆ ที่ถูกฝึกฝนเพียงครั้งเดียวและไม่ได้รับการอัปเดตจะเสื่อมลงเมื่อเวลาผ่านไป เนื่องจากนักฉ้อโกงเรียนรู้ว่าสิ่งใดที่ทำให้เกิดการแจ้งเตือนและปรับเปลี่ยนไป สิ่งนี้เป็นปัญหาหลักเดียวกับที่ทำให้วิธีการตรวจจับที่คงที่ไม่เพียงพอ ไม่ว่าจะเป็นแบบจำลองตามกฎหรือ AI ที่ไม่ได้รับการออกแบบให้อัปเดต
แนวทางของเราคือการรักษาการตรวจจับเป็นความสามารถที่อัปเดตอย่างต่อเนื่อง ไม่ใช่ผลิตภัณฑ์ที่คงที่ เมื่อรูปแบบการฉ้อโกงใหม่ปรากฏในระบบ และเมื่อเทคนิคการสร้าง AI พัฒนา รูปแบบเหล่านั้นจะกลับไปปรับปรุงโมเดล ซึ่งหมายความว่าระบบจะดีขึ้นในการระบุภัยคุกคามที่เกิดขึ้นใหม่ ไม่ใช่แค่ภัยคุกคามที่มีอยู่เมื่อระบบถูกนำไปใช้ สิ่งนี้มีความสำคัญเมื่อพิจารณาถึงความเร็วที่ AI ที่สร้างข้อมูลใหม่ๆ กำลังพัฒนาและความเร็วที่นักฉ้อโกงกำลังทดลองกับแนวทางใหม่ๆ รวมถึงเทคนิคที่ไม่เป็นมิตรบางอย่าง เช่น เครื่องมือ deepfake ที่ถูกออกแบบมาเพื่อทำลายการตรวจจับ
เมื่อมองไปข้างหน้า คุณคิดว่าการตรวจจับการฉ้อโกงที่สร้างขึ้นจะกลายเป็นส่วนประกอบมาตรฐานของโครงสร้างพื้นฐานสาธารณสุขหรือไม่ หรืออุตสาหกรรมจะต้องมีการเข้าถึงใหม่ๆ ในการตรวจสอบและยืนยันข้อมูลทางการแพทย์?
ฉันคิดว่าการตรวจจับการฉ้อโกงที่สร้างขึ้นจะกลายเป็นโครงสร้างพื้นฐานมาตรฐาน และระยะเวลาที่จะเกิดขึ้นนั้นสั้นกว่าที่ผู้คนในอุตสาหกรรมคาดไว้ ก่อนที่กรอบการทำงานต่อต้านการฟอกเงินจะกลายเป็นมาตรฐานในบริการทางการเงิน อุตสาหกรรมนั้นพึ่งพาการตรวจจับที่ใช้กฎและตรวจสอบด้วยตนเอง การเปลี่ยนแปลงเกิดขึ้นเมื่อภัยคุกคามถึงขนาดที่ทำให้การตรวจจับที่ตอบรับชัดเจนว่าไม่เพียงพอ และเมื่อสภาพแวดล้อมด้านกฎระเบียบบังคับให้มีการควบคุมที่มีการอัปเดตอย่างต่อเนื่อง
สิ่งที่เกิดขึ้นแล้วคือผู้จ่ายเงินที่กำลังใช้การตรวจจับการฉ้อโกงที่สร้างขึ้นขณะนี้กำลังทำเช่นนั้นเพราะภัยคุกคามเป็นของจริงและเป็นปัญหาในปัจจุบัน ไม่ใช่เพราะกฎระเบียบกำหนดให้ทำ เมื่อการนำไปใช้เหล่านี้สร้างหลักฐานของการขาดทุนที่ป้องกันได้ และเมื่อแผนการฉ้อโกงที่สร้างขึ้นโดย AI จะกลายเป็นที่รู้จักมากขึ้นในกระบวนการบังคับใช้กฎหมายและรายงานสาธารณะ ความคาดหวังจะขยายไปทั่วทั้งอุตสาหกรรม
เมื่อมองไปข้างหน้า เมื่อ AI ที่สร้างข้อมูลใหม่ๆ ยังคงดีขึ้น อุตสาหกรรมอาจต้องคิดใหม่วิธีการสร้างความถูกต้องของเอกสารที่ระดับการสร้าง ไม่ใช่การตรวจสอบหลังจากนั้น สิ่งนี้อาจหมายถึงการรับรองทางคryptography ของบันทึกทางการแพทย์ที่ระดับ EHR การยืนยันตัวตนผู้ให้บริการที่รวมเข้ากับกระบวนการสร้างเอกสาร หรือกลไกอื่นๆ ที่ทำให้แหล่งกำเนิดของเอกสารสามารถติดตามได้ในทางที่ไม่สามารถทำได้ในปัจจุบัน การตรวจจับที่ระดับการเรียกร้องค่าชดเชยเป็นการตอบสนองต่อภัยคุกคามในปัจจุบัน แต่การแก้ปัญหาอย่างยั่งยืนอาจต้องสร้างการยืนยันลึกเข้าไปในโครงสร้างพื้นฐานของวิธีการสร้างและถ่ายโอนบันทึกทางการแพทย์
ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Codoxo
