SAS Hackathon - L'AI che non sostituisce ma potenzia: la risposta di BID alle frodi assicurative

Cosa succede quando la competenza analitica incontra l'expertise tecnica e la capacità di tradurre numeri in valore di business? Nasce Aura, un progetto di intelligenza artificiale per il contrasto alle frodi nel settore assicurativo sanitario, sviluppato dal team BID in occasione del primo Hackathon SAS a cui l'azienda ha partecipato.

In questa intervista, Andrea Ferrari (Team lead), Giulia Lucherini ed Edoardo Frigerio raccontano il percorso che li ha portati dalla decisione iniziale di partecipare (maturata durante SAS Innovate on Tour) fino alla creazione di una soluzione che integra Machine Learning ed Explainable AI, dimostrando che la vera innovazione nasce dalla sinergia tra persone con competenze diverse, dalla fiducia reciproca e dalla flessibilità nell'adattare le ambizioni iniziali alla realtà.

Partiamo dall'inizio: perché avete deciso di partecipare all'Hackathon SAS?

L'idea nasce da un po' di sano rammarico. BID è sul mercato da quasi dieci anni e da altrettanto tempo è partner di SAS. Nonostante le mille attività che abbiamo sempre messo in pista non avevamo mai partecipato a un'iniziativa come l'hackathon. Quest'anno, durante SAS Innovate on Tour, abbiamo visto le premiazioni dell'edizione precedente e ci siamo detti: perché non giocare anche noi?

Gli obiettivi erano chiari: permettere ai membri più giovani del team di “mettere le mani” su funzionalità nuove di SAS e, soprattutto, giocare senza l'ansia di dover consegnare qualcosa a un cliente. Volevamo sperimentare, innovare, in un contesto libero dalla pressione del day-by-day.

Per la composizione del team, avevamo chiaro quali figure fossero necessarie. Volevamo battere tre filoni: la competenza analitica e matematica, la competenza tecnica su SAS e il ruolo del Business Translator, quella persona capace di dare valore di business a quello che viene sviluppato tecnicamente.

Come vi è venuta l'idea di concentrarvi sulle frodi assicurative sanitarie?

Le idee iniziali erano tante, ma le tempistiche erano strette e volevamo fare qualcosa con un respiro internazionale, non limitato al contesto italiano. Le frodi nel settore assicurativo sanitario sono una problematica mondiale, estremamente attuale.

Inoltre, sono tematiche che mastichiamo quotidianamente nel nostro lavoro con i clienti; quindi, sapevamo di muoverci su un terreno conosciuto ma con la libertà di spingerci oltre. Volevamo integrare non solo Machine Learning, ma anche strumenti più avanzati come la Generative AI. Il perimetro finale del progetto è arrivato progressivamente, anche grazie al supporto dei tutor SAS, tenendo conto dei dati disponibili e del tempo a disposizione.

In cosa consiste esattamente il progetto Aura?

Aura è una soluzione basata su intelligenza artificiale pensata per supportare le istituzioni nel contrasto alle frodi nel settore assicurativo sanitario. L'idea nasce dall'esigenza di fornire uno strumento automatico ma trasparente, capace di individuare comportamenti potenzialmente anomali da parte dei provider (ospedali o cliniche) e allo stesso tempo spiegare chiaramente perché un provider risulta sospetto.

È importante sottolineare che il nostro output non è "questo provider è fraudolento", ma piuttosto "guarda, questo provider mi sembra strano, dagli un'occhiata". Non puntiamo il dito, ma aiutiamo gli investigatori a efficientare il loro lavoro, concentrandosi sui casi più a rischio e sulle anomalie. In pratica, Aura non sostituisce le persone, ma le potenzia, rendendo il loro lavoro più efficace e consapevole.

Come funziona tecnicamente?

Aura integra diversi livelli. C'è una parte predittiva dove i modelli di Machine Learning analizzano grandi volumi di dati storici per calcolare il rischio di frode. Poi c'è una componente di Explainable AI che traduce i risultati in insight comprensibili anche per investigatori non tecnici, attraverso una dashboard interattiva.

L'utente può confrontare i vari provider, visualizzare statistiche del settore, analizzare i claim e approfondire ogni caso con analisi mirate. Non è solo un modello di rischio, ma un vero assistente intelligente che aiuta gli analisti a comprendere e decidere più velocemente. Il modello di intelligenza artificiale, partendo dai dati di output, spiega i risultati matematici e semplifica le valutazioni di chi deve poi capire se l'anomalia è sintomo di qualcosa di realmente problematico.

Quali tecnologie avete utilizzato?

SAS Viya è stato il cuore dell'infrastruttura. Ci ha permesso di integrare facilmente i dataset, creare le pipeline di machine learning e monitorare le performance del modello. Abbiamo usato anche SAS Job Execution per la messa in produzione e SAS Workbench per le fasi di test. Il modello predittivo l'abbiamo sviluppato internamente, mediante la piattaforma SAS Model Manager, perché volevamo qualcosa di davvero su misura per la problematica che stavamo affrontando.

Quali sono state le principali criticità?

Sicuramente il tempo stretto e la reperibilità dei dati. Ma la sfida principale è stata trovare il giusto equilibrio tra performance predittiva e spiegabilità del modello. In un ambito così delicato come quello del controllo delle frodi, non basta avere un modello accurato: bisogna anche saper spiegare il perché delle decisioni.

Abbiamo risolto questa sfida integrando metodologie di Explainable AI direttamente nel front-end, rendendo visibile e intuitiva la logica dietro ogni risultato. Un'altra sfida è stata quella della scalabilità, ovvero gestire grandi volumi di dati, che abbiamo superato sfruttando l'infrastruttura cloud di SAS Viya, molto efficiente dal punto di vista computazionale.

E i dati sintetici? Li avete utilizzati?

I dati sintetici sono uno dei grandissimi temi che diventerà sempre più centrale nei prossimi anni, perché risponde a vincoli regolamentari importanti (GDPR, AI Act, solo per citarne due) e mette limiti nell'utilizzo della profilazione della clientela. Creare un clone, un alias della persona con informazioni fake, sarebbe utilissimo.

Nel mondo delle frodi, i dati sintetici potrebbero aiutarci in due modi: sostituire la popolazione di test con una popolazione non vera, e aumentare il numero di osservazioni, perché le frodi esistono ma non sono così ricorrenti. Avere dati sintetici permetterebbe di migliorare l'addestramento dei modelli. Ci sarebbe piaciuto utilizzarli molto di più anche nell'hackathon, ma non abbiamo avuto tempo e risorse sufficienti. Ma è certamente un ambito sul quale, come BID (non solo per l’hackathon SAS) ci concentreremo nei prossimi mesi.

Cosa vi portate a casa da questa esperienza?

Tre consapevolezze fondamentali, ciascuna filtrata dalla nostra prospettiva.

Dal punto di vista tecnico e analitico, il messaggio più forte è che la tecnologia è un mezzo, non il fine. Il vero valore nasce dalla collaborazione tra persone con competenze diverse e dalla capacità di unire analisi, etica e innovazione. SAS Viya ci ha dato la potenza di calcolo, ma è stata la sinergia del team a trasformarla in una soluzione reale, utile e sostenibile.

Dal punto di vista del business, l'intelligenza artificiale e la data science facilitano il lavoro dell'uomo, ma non lo sostituiscono. Dietro ogni algoritmo ci siamo noi, con le nostre analisi e interpretazioni. Il ruolo del business translator è imprescindibile: posso essere il programmatore più bravo del mondo e creare modelli bellissimi, ma se non li so calare nella realtà specifica, restano numeri senza senso. Inoltre, è sempre più importante che il risultato dell'analisi diventi un prodotto concreto che aiuti le aziende, non solo un'analisi fine a sé stessa.

Dal punto di vista della leadership e della gestione del team, fiducia e flessibilità sono il motore dell'innovazione. All'inizio ci siamo fissati sui dati sintetici, quasi come vincolo. Poi, grazie alle competenze del team, abbiamo abbandonato alcune certezze e il risultato finale è stato decisamente migliore di quello che avevamo in testa inizialmente. 

Scopri le altre esperienze di aziende italiane che hanno partecipato a SAS Hackathon:
Axiante, Iconsulting, Intesa Sanpaolo, Rationence

2 dicembre 2025