برنامه کمک‌های تغذیه‌ای تکمیلی (SNAP) در ایالات متحده با حجم بودجه‌ای بسیار بالا، با چالش‌های جدی در زمینه خطاهای پرداخت مواجه است. طبق قوانین جدید (Public Law 119-21)، ایالت‌هایی که نرخ خطای پرداخت آن‌ها ۶٪ یا بیشتر باشد، باید بخشی از هزینه‌های مزایا را از بودجه خود تأمین کنند؛ این رقم برای نرخ خطای ۱۰٪ یا بیشتر، به ۱۵٪ افزایش می‌یابد. با توجه به اینکه نرخ ملی خطا در سال مالی ۲۰۲۴ به ۱۰.۹۳٪ رسیده است، نیاز به سیستم‌های شناسایی دقیق و بلادرنگ (Real-time) حیاتی‌تر از هر زمان دیگری است.
تفاوت خطاهای صلاحیت و کلاهبرداری
خطاهای پرداخت معمولاً از دو منبع نشأت می‌گیرند که هر کدام نیازمند رویکرد متفاوتی برای شناسایی هستند:
- اشتباهات صلاحیت (Eligibility Mistakes): این خطاها زمانی رخ می‌دهند که کارشناسان تحت فشار زمانی و با استناد به دستورالعمل‌های حجیم، تصمیمات نادرستی می‌گیرند. این مورد بیشتر یک مشکل «جستجو و دسترسی به اطلاعات» است تا یک مسئله تخلف.
- کلاهبرداری و سوءاستفاده (Fraud and Abuse): در این حالت، پرونده در ابتدا به‌درستی تأیید شده اما در طول زمان تغییر کرده است (مثلاً افزایش درآمد یا تغییر آدرس). سیستم‌های سنتی که تنها در زمان تعیین صلاحیت بررسی می‌کنند، قادر به شناسایی این «انحراف رفتاری» (Behavioral Drift) نیستند.
رویکرد لایه‌ای Elastic برای شناسایی کلاهبرداری
پلتفرم Elastic برای مقابله با این چالش‌ها، یک مدل شناسایی سه لایه را ارائه می‌دهد که به جای سیستم‌های الحاقی (Bolted-on)، مستقیماً روی داده‌های پرونده‌ها اجرا می‌شود:
لایه اول: قوانین مبتنی بر آستانه (Threshold-based Rules)
در این لایه، الگوهای شناخته شده (مانند درآمد بالاتر از حد مجاز یا نبود مستندات لازم) به صورت قوانین تعریف می‌شوند. Elastic در زمان ورود داده (Ingest Pipeline)، هر پرونده را با جداول محدوده درآمدی تطبیق داده و پیش از رسیدن به دست کارشناس، آن را علامت‌گذاری (Tagging) می‌کند.
لایه دوم: شناسایی پیشرفته با یادگیری ماشین (Machine Learning)
در جایی که قوانین ثابت پاسخ نمی‌دهند، ML وارد عمل می‌شود. یادگیری ماشین ( both unsupervised and supervised) در Elastic به صورت مستمر روی داده‌ها اجرا شده و ناهنجاری‌های آماری یا تغییرات رفتاری که هیچ آستانه ثابتی ندارند را شناسایی می‌کند.
لایه سوم: بررسی تعاملی (Conversational Investigation)
با استفاده از Elastic Agent Builder، تحلیلگران کلاهبرداری می‌توانند از طریق یک رابط گفتگو-محور (Conversational Interface)، بدون نیاز به کوئری‌های پیچیده یا اکسل، علت علامت‌گذاری یک پرونده را جویا شوند و تحلیل‌های تطبیقی را انجام دهند.
برتری شناسایی بلادرنگ در مقابل پردازش دسته‌ای (Batch Processing)
بسیاری از ابزارهای شناسایی کلاهبرداری واکنش‌گرا (Reactive) هستند و نتایج را با تأخیر ساعت‌ها یا روزها ارائه می‌دهند. در مقابل، Elastic هر سه لایه شناسایی را به صورت Real-time اجرا می‌کند. این موضوع برای ایالت‌ها حیاتی است زیرا هر پرداختی که پیش از شناسایی خطا صورت گیرد، همچنان به عنوان «خطای پرداخت» محاسبه شده و منجر به جریمه‌های بودجه‌ای می‌شود.
