Resumo Técnico: DGVoiC – Agrupamento de Oradores para Investigação de Fraude

1. Declaração do Problema

A fraude em seguros continua a ser um fardo financeiro significativo, com custos estimados em £14,4 mil milhões globalmente em 2023–2024. Um desafio crítico na deteção de fraude reside nos fluxos de trabalho de centros de chamadas, particularmente na fase de Notificação do Primeiro Sinistro (FNOL - First Notice of Loss). Embora os sistemas atuais de deteção de fraude dependam predominantemente de dados estruturados, transcrições de texto ou imagens, eles subutilizam amplamente a identidade repetida do orador entre chamadas como um sinal de investigação.

A investigação atual sobre chamadas telefónicas fraudulentas foca-se fortemente no conteúdo da transcrição ou na classificação de burlas, em vez da identidade persistente do orador. Além disso, o áudio de centros de chamadas operacionais do mundo real é difícil de estudar devido a restrições de privacidade e dados biométricos, criando uma lacuna entre os avanços na aprendizagem de representação de oradores e as necessidades práticas da investigação de fraude. Os investigadores enfrentam dificuldades para verificar se um cliente é o orador real ou para identificar se a mesma voz aparece em múltiplos perfis de clientes distintos, um padrão que pode indicar uso indevido organizado.

2. Metodologia: O Framework DGVoiC

O artigo propõe o DGVoiC, um framework de agrupamento de voz concebido para operar em áudios de centros de chamadas do mundo real e anonimizados. O sistema não pretende ser um motor de decisão de fraude automatizado e autónomo, mas sim uma ferramenta de suporte para auxiliar analistas na verificação da consistência do orador e na identificação de ligações de voz entre perfis distintos.

A. Pré-processamento e Anonimização de Dados

Dado o uso de dados operacionais reais, o pipeline prioriza a privacidade:

• Anonimização: Informações de Identificação Pessoal (PII) e atributos sensíveis são detetados utilizando Reconhecimento de Entidades Nomeadas (NER), Regex e timestamps ao nível da palavra através do WhisperX.
• Silenciamento de Áudio: As regiões de áudio correspondentes que contêm dados sensíveis são silenciadas utilizando librosa e soundfile antes da análise.
• Pré-processamento: Regiões longas sem fala são removidas utilizando o preprocess_wav do Resemblyzer para reduzir o impacto do silêncio e focar a representação na fala ativa.

B. Extração de Embedding de Orador

O framework utiliza uma estratégia de janela deslizante para lidar com chamadas telefónicas longas e variáveis:

• Segmentação: É utilizada uma abordagem de janela deslizante sobreposta (testada com janelas de 6s e saltos de 3s) para garantir que regiões de fala curtas e informativas não sejam perdidas.
• Modelo de Embedding: O ECAPA-TDNN é utilizado para codificar segmentos válidos em embeddings de orador de dimensão fixa.
• Agregação: Os embeddings ao nível do segmento para uma única interação de cliente são agregados via mean pooling para formar uma representação de voz final.

C. Agrupamento (Clustering) e Pontuação de Risco

• Métrica de Similaridade: A similaridade de cosseno é utilizada para comparar embeddings entre diferentes reclamações e perfis de clientes.
• Lógica de Agrupamento: O sistema identifica oradores repetidos mesmo quando os detalhes do cliente diferem.
• Gatilhos de Investigação: Para apoiar a triagem do analista, o sistema sinaliza casos que cumprem condições específicas:
  1. Similaridade de cosseno > 0,718 entre representações de voz candidatas.
  2. Membro de um cluster que contém mais de 4 perfis de clientes distintos.
  3. Consistência do cluster ao longo das gravações de um cliente.
• Pontuação de Risco: Uma pontuação de probabilidade limitada é gerada usando uma função sigmoide para priorizar a revisão pelo analista. Casos com alta similaridade e grandes tamanhos de cluster (ex: ≥9 perfis) recebem pontuações de risco mais elevadas.

3. Configuração Experimental

• Dataset: 121 gravações de chamadas reais de múltiplos perfis de clientes.
• Critérios de Seleção: Restrito a clientes com pelo menos quatro gravações para avaliar a variação dentro do mesmo cliente.
• Ground Truth (Verdade Fundamental): Foi criado um subconjunto curado de 56 amostras (organizadas em 22 clusters acordados por humanos) por dois especialistas em fraude independentes da Domestic & General. Apenas amostras onde ambos os revisores atingiram um acordo de alta confiança foram retidas.
• Hardware: Os experimentos foram executados em computação personalizada Databricks (32 núcleos de CPU, 128 GB de RAM, uma GPU de 64 GB).

4. Resultados Principais

A configuração proposta (pré-processamento Resemblyzer + ECAPA-TDNN + janela deslizante de 6s + mean pooling + limiar de 0,718) alcançou as seguintes métricas de desempenho no subconjunto de validação:

• Informação Mútua Ajustada (AMI): 96%
• Índice Rand Ajustado (ARI): 95%
• Completude (Completeness): 98%
• Homogeneidade: 100%
• V-measure: 99%
• Precisão (Accuracy): 95%
• F1 Score: 0,96

Latência:

• Extração de embedding: ~10 segundos por gravação.
• Agrupamento e ligação: ~84ms por gravação.
• Processamento Total End-to-End: ~10,08 segundos por gração.

Métricas de Verificação Auxiliares:
No limiar de agrupamento de 0,718, o sistema produziu uma Taxa de Erro Igual (EER) de 3,85%, uma Taxa de Aceitação Falsa (FAR) de 0,50% e uma Taxa de Rejeição Falsa (FRR) de 9,62%.

Análise de Erros:
O modelo produziu 24 clusters em comparação com os 22 clusters do ground-truth. As discrepâncias foram atribuídas à variabilidade acústica residual, como um cliente a soar visivelmente diferente em duas chamadas ou ruído de fundo constante que deslocou a representação de uma gravação.

5. Significância e Contribuições

O artigo reivindica as seguintes contribuições e significância:

1. Framework Prático: Introduz o DGVoiC, uma abordagem de agrupamento de voz prática concebida especificamente para dados de centros de chamadas de seguros anonimizados, abordando uma lacuna onde a maioria das investigações depende de datasets sintéticos ou de referência.
2. Inovação de Pipeline: Propõe um pipeline adaptado para chamadas telefónicas longas e variáveis, combinando anonimização alinhada ao nível da palavra, pré-processamento focado na fala e extração de embedding por janela deslizante.
3. Utilidade Operacional: Os resultados demonstram que os embeddings de orador baseados em ECAPA podem alcançar um forte acordo com clusters revistos por humanos sob condições reais. Isto fornece um "forte sinal adicional" para a investigação de fraude, ajudando os analistas a verificar a consistência do orador e a identificar vozes repetidas entre diferentes perfis de clientes.
4. Posicionamento Contextual: Ao contrário de trabalhos anteriores focados na autenticação de chamadores (verificar utilizadores conhecidos) ou análise de transcrição, o DGVoiC visa o agrupamento de oradores ao nível do cliente para detetar a reutilização de vozes entre perfis. Os autores observam que a comparação numérica direta com sistemas de diarização de última geração é metodologicamente inadequada devido às diferenças nas tarefas e métricas; em vez disso, posicionam o DGVoiC como uma solução de menor complexidade e eficiência, desenhada para apoiar a investigação liderada por analistas, em vez de uma tomada de decisão automatizada.

O artigo conclui que, embora o sistema seja eficaz, o trabalho futuro se focará em melhorar a robustez contra condições desafiantes (ruído de fundo, variabilidade dentro do mesmo orador) e em explorar pistas de áudio complementares, como características prosódicas e comportamentais.