北京
周二清晨，一名州劳动力机构的欺诈分析师注意到失业保险申请出现异常激增。一夜之间提交了数百份申请，每份使用不同的姓名和邮箱，但资金最终都流向同一小批银行账户。她开始调取记录：先是申请数据，然后是身份信息，接着是IP日志。但每份数据都存放在不同团队管理的不同系统中。等她拼凑出足够完整的图景确认自己看到的是什么时，款项已经发出去了。
这种情况并不罕见。据美国政府问责署（GAO）统计，联邦各项目和运作每年因欺诈损失2330亿至5210亿美元。州和地方政府的欺诈调查人员经常遇到这种情况。信号就在那里，但数据分散在太多地方，无法及时采取行动。当检测欺诈所需的信息存放在互不连通的系统中——这些系统当初设计时就没打算互相通信——即使经验丰富的团队也只能被动应对，而非主动预防。
数据碎片化是欺诈检测的主要障碍
欺诈一直是政府项目的运营挑战，但近年来其规模和复杂程度显著增长。生成式AI大幅降低了欺诈门槛，让不法分子可以相对轻松地伪造身份、自动化钓鱼活动，或创建能通过基础验证检查的合成身份。过去需要熟练犯罪网络才能做到的事，现在可以低成本、大规模地完成。
除了威胁增多，后果也在加重。各机构需要准备好面对定期审计、潜在罚款，以及因项目欺诈和滥用率高而危及联邦资金的风险。
与此同时，州和地方机构管理的系统比以往任何时候都多，数据量也在增长。福利登记、税务申报、采购记录、许可证数据库、医疗索赔、助学金申请——信息都存在，但往往存放在部门或项目专属的孤岛中，这反映的是机构的组织结构，而非欺诈者的作案方式。一个人在实施失业保险欺诈的同时，在SNAP申请中虚报收入，又提交虚假退税申请——从三个独立系统分别查看，这看起来是三件互不相关的事。但一旦数据统一，这就是一个非常明显的模式。
核心机会在于：通过统一现有数据，让调查人员能够跨项目查看、共享发现、在款项发出前识别异常，从而更好地利用已有的数据。
连接数据如何帮助州和地方政府应对常见欺诈威胁
失业保险欺诈是各州面临的最常见欺诈类型之一。当失业保险数据与其他项目数据（如就业记录、新雇员登记）连通后，调查人员可以更快识别出那些一边领取失业救济一边有工作收入的人。跨系统比对让这类本可隐藏的模式无处遁形。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
