💰 Aviva внедряет ИИ для борьбы с мошенничеством на £230 млн

Британская страховая компания Aviva развернула систему искусственного интеллекта для выявления сложных страховых схем. За год технология помогла предотвратить убытки на сумму более £230 миллионов, выявляя организованные группы мошенников, которые ранее оставались незамеченными традиционными методами анализа.

Система анализирует тысячи параметров по каждому страховому случаю в реальном времени — от истории заявок до поведенческих паттернов. В отличие от классических правил, ИИ способен обнаруживать нетипичные связи между, казалось бы, не связанными инцидентами, включая подставные ДТП и фиктивные медицинские счета. Aviva подчёркивает, что алгоритмы специально обучались на данных о «тихих» схемах, которые не фиксируются стандартными антифрод-системами.

Для рынка это важный сигнал: страховые гиганты переходят от реактивной модели к проактивному выявлению мошенничества. Если раньше fraud-детекция опиралась на жёсткие правила и ручную проверку, то теперь машинное обучение позволяет обрабатывать миллионы заявок без задержек для добросовестных клиентов. Ожидается, что к 2027 году аналогичные решения внедрят большинство крупных страховщиков Европы.

#AI #Insurance #Aviva #Fraud #MachineLearning

❓ Почему «революция ИИ» в прогнозах погоды — не революция

Искусственный интеллект всё активнее проникает в метеорологию и климатологию, но называть это революцией пока рано. Как отмечает Ars Technica, речь идёт не о ChatGPT и генерации карт с вымышленными городами (такой инцидент действительно произошёл в Национальной метеослужбе США в январе 2026), а о классическом машинном обучении — методах, которые учёные изучают и применяют уже много лет.

В основе современных моделей погоды — не большие языковые модели, а ML-алгоритмы, обученные на десятках лет наблюдений. Например, Европейский центр среднесрочных прогнозов погоды (ECMWF) в феврале 2025 года запустил оперативную версию AIFS — модели на основе машинного обучения, которая работает параллельно с традиционной физической моделью IFS. AIFS обучается на реанализе — наборе данных, где все доступные наблюдения «сшиты» в физически согласованную картину. Модель предсказывает следующее состояние атмосферы (с шагом в 6 часов) не через решение уравнений, а через выявление пространственных паттернов.

Проблема в том, что ML-модели не «понимают» физику: они могут предсказать отрицательное количество осадков или ветер, нарушающий закон сохранения массы. Их точность высока, но только в пределах обучающей выборки. Зато скорость — на порядки выше традиционных моделей. Google, Nvidia, Huawei и Microsoft уже выпустили собственные модели, а ведущие метеоцентры мира начинают их внедрять — но как дополнение, а не замену классическим подходам.

#AI #Weather #Meteorology #MachineLearning