Sintesi Tecnica: DGVoiC – Clustering dei Relatori per l'Investigazione delle Frodi

1. Definizione del Problema

Le frodi assicurative rappresentano un onere finanziario significativo, con costi stimati che hanno raggiunto i 14,4 miliardi di sterline a livello globale nel 2023–2024. Una sfida critica nella rilevazione delle frodi risiede nei flussi di lavoro dei call center, in particolare nella fase di First Notice of Loss (FNOL). Mentre gli attuali sistemi di rilevamento delle frodi si basano prevalentemente su dati strutturati, trascrizioni testuali o immagini, essi sottoutilizzano ampiamente la ripetizione dell'identità del relatore tra le chiamate come segnale investigativo.

La ricerca esistente sulle chiamate telefoniche fraudolente si concentra pesantemente sul contenuto della trascrizione o sulla classificazione delle truffe piuttosto che sulla persistenza dell'identità del relatore. Inoltre, l'audio operativo dei call center nel mondo reale è difficile da studiare a causa dei vincoli relativi alla privacy e ai dati biometrici, creando un divario tra i progressi nell'apprendimento delle rappresentazioni dei relatori e le necessità pratiche dell'investigazione sulle frodi. Gli investigatori spesso faticano a verificare se il cliente sia l'effettivo parlatore o a identificare se la stessa voce compaia in più profili cliente distinti, un modello che può indicare un uso improprio organizzato.

2. Metodologia: Il Framework DGVoiC

Il documento propone DGVoiC, un framework di clustering vocale progettato per operare su audio di call center reali e anonimizzati. Il sistema non è inteso come un motore decisionale automatizzato autonomo, ma come uno strumento di supporto per assistere gli analisti nella verifica della coerenza del relatore e nel far emergere collegamenti vocali tra profili diversi.

A. Pre-elaborazione dei Dati e Anonimizzazione

Dato l'uso di dati operativi reali, la pipeline dà priorità alla privacy:

• Anonimizzazione: Le informazioni identificabili personalmente (PII) e gli attributi sensibili vengono rilevati utilizzando il Named Entity Recognition (NER), Regex e timestamp a livello di parola tramite WhisperX.
• Muting dell'Audio: Le regioni audio corrispondenti contenenti dati sensibili vengono silenziate utilizzando librosa e soundfile prima dell'analisi.
• Pre-elaborazione: Le lunghe regioni non parlate vengono rimosse utilizzando la funzione preprocess_wav di Resemblyzer per ridurre l'impatto del silenzio e concentrare la rappresentazione sul parlato attivo.

B. Estrazione degli Embedding del Relatore

Il framework impiega una strategia a finestra scorrevole per gestire chiamate telefoniche lunghe e variabili:

• Segmentazione: Viene utilizzato un approccio a finestra scorrevole sovrapposta (testato con finestre di 6s e hop di 3s) per garantire che le regioni di parlato brevi e informative non vengano perse.
• Modello di Embedding: ECAPA-TDNN viene utilizzato per codificare i segmenti validi in embedding del relatore a dimensionalità fissa.
• Aggregazione: Gli embedding a livello di segmento per una singola interazione con il cliente vengono aggregati tramite mean pooling per formare una rappresentazione vocale finale.

C. Clustering e Punteggio di Rischio

• Metrica di Similarità: La similarità del coseno viene utilizzata per confrontare gli embedding tra diversi reclami e profili cliente.
• Logica di Clustering: Il sistema identifica i relatori ripetuti anche quando i dettagli del cliente differiscono.
• Trigger di Investigazione: Per supportare il triage degli analisti, il sistema segnala i casi che soddisfano specifiche condizioni:
  1. Similarità del coseno > 0,718 tra le rappresentazioni vocali candidate.
  2. Appartenenza a un cluster contenente più di 4 profili cliente distinti.
  3. Coerenza del cluster attraverso le registrazioni di un cliente.
• Punteggio di Rischio: Viene generato un punteggio di probabilità limitato utilizzando una funzione sigmoide per dare priorità alla revisione dell'analista. I casi con alta similarità e grandi dimensioni del cluster (ad es. ≥9 profili) ricevono punteggi di rischio più elevati.

3. Configurazione Sperimentale

• Dataset: 121 registrazioni di chiamate reali da molteplici profili cliente.
• Criteri di Selezione: Limitati a clienti con almeno quattro registrazioni per valutare la variazione all'interno del singolo cliente.
• Ground Truth: È stato creato un sottoinsieme curato di 56 campioni (organizzati in 22 cluster concordati dagli esseri umani) da due professionisti esperti di frodi di Domestic & General. Sono stati mantenuti solo i campioni in cui entrambi i revisori avevano raggiunto un alto livello di accordo.
• Hardware: Gli esperimenti sono stati eseguiti su compute personalizzato Databricks (32 core CPU, 128 GB RAM, singola GPU da 64 GB).

4. Risultati Chiave

La configurazione proposta (pre-elaborazione Resemblyzer + ECAPA-TDNN + finestra scorrevole di 6s + mean pooling + soglia di 0,718) ha ottenuto le seguenti metriche di performance sul sottoinsieme di validazione:

• Informazione Mutua Corretta (AMI): 96%
• Indice Rand Corretto (ARI): 95%
• Completezza: 98%
• Omogeneità: 100%
• V-measure: 99%
• Accuratezza: 95%
• F1 Score: 0,96

Latenza:

• Estrazione degli embedding: ~10 secondi per registrazione.
• Clustering e collegamento: ~84ms per registrazione.
• Elaborazione Totale End-to-End: ~10,08 secondi per registrazione.

Metriche di Verifica Ausiliarie:
Alla soglia di clustering di 0,718, il sistema ha prodotto un Equal Error Rate (EER) del 3,85%, un False Acceptance Rate (FAR) dello 0,50% e un False Rejection Rate (FRR) del 9,62%.

Analisi degli Errori:
Il modello ha prodotto 24 cluster rispetto ai 22 cluster della ground truth. Le discrepanze sono state attribuite alla variabilità acustica residua, come un cliente che suona sensibilmente diverso in due chiamate o un rumore di fondo costante e forte che sposta la rappresentazione della registrazione.

5. Significato e Contributi

Il documento rivendica i seguenti contributi e significati:

1. Framework Pratico: Introduce DGVoiC, un approccio di clustering vocale pratico progettato specificamente per dati di call center assicurativi reali e anonimizzati, affrontando un vuoto dove la maggior parte della ricerca si basa su dataset sintetici o di benchmark.
2. Innovazione della Pipeline: Propone una pipeline adattata per chiamate telefoniche lunghe e variabili, combinando l'anonimizzazione allineata a livello di parola, la pre-elaborazione focalizzata sul parlato e l'estrazione di embedding tramite finestra scorrevole.
3. Utilità Operativa: I risultati dimostano che gli embedding del relatore basati su ECAPA possono raggiungere un forte accordo con i cluster revisionati dagli umani in condizioni reali. Ciò fornisce un "forte segnale aggiuntivo" per l'investigazione sulle frodi, aiutando gli analisti a verificare la coerenza del relatore e a identificare la ripetizione di voci tra diversi profili cliente.
4. Posizionamento Contestuale: A differenza del lavoro precedente focalizzato sull'autenticazione del chiamante (verifica di utenti noti) o sull'analisi della trascrizione, DGVoiC mira al clustering del relatore a livello di cliente per rilevare il riutilizzo della voce tra profili diversi. Gli autori osservano che il confronto numerico diretto con i sistemi di diarizzazione allo stato dell'arte non è metodologicamente appropriato a causa delle diverse attività e metriche; invece, posizionano DGVOIC come una soluzione a minore complessità ed efficiente, progettata per supportare l'investigazione guidata dall'analista piuttosto che il processo decisionale automatizzato.

Il documento conclude che, sebbene il sistema sia efficace, il lavoro futuro si concentrerà sul miglioramento della robustezza contro condizioni difficili (rumore di fondo, variabilità intra-speaker) ed esplorerà indizi audio complementari come le caratteristiche prosodiche e comportamentali.