美国补充营养援助计划（SNAP）在2024财年覆盖了2220万户家庭中的4170万人，并推动了1003亿美元的联邦支出。从2028联邦财年开始，这种规模的支付错误将不再是一项合规指标，而会成为一项预算项目。根据《One Big Beautiful Bill Act》（公法119-21），支付错误率达到或超过6%的州必须自行承担一部分福利成本，当错误率达到或超过10%时，这一比例将上升至15%。
2025财年和2026财年的表现决定了每个州的起始层级，因此未来一年半是至关重要的窗口期。对于一个每年在SNAP上支出数亿美元的州来说，10%的错误率每年会从预算中抽走数千万美元，而且这并非假设：2024财年全国错误率达到了10.93%，44个州提交了纠正行动计划。Elastic的答案是：将检测能力内置于已经为案件数据建立索引的同一平台中，而不是外挂一个系统。时间正在流逝。
为什么会出现SNAP支付错误：资格认定错误与欺诈
支付错误来自两个不同的方面，而围绕定期批量审查构建的资格系统只能发现其中之一。
资格认定错误发生在案件工作人员在时间压力下，依据长达数百页的政策手册做出诚实判断时。遗漏一项收入排除项在审计报告中看起来与欺诈无异，但这是一个搜索问题，而不是诚信问题。
欺诈和滥用则不同。一个在受理时被正确批准的案件后来发生了偏移：收入增长超过了阈值，地址在不同县之间频繁变动，或者一个身份出现在多个未结案件中。没有人在大规模地监视这种偏移，因为大多数系统只在资格认定时检查资格，而不是持续检查。这不仅仅是一种假设：美国政府问责局在2025年报告称，美国农业部食品与营养服务局尚未全面评估各州究竟使用了哪些防盗措施，因此没有经过验证的基准来判断谁在监视。
隔夜批量规则引擎会在事后捕获其中一些问题：一个案件被标记，最终有人对其进行审查。这是必要的，但还不够。它是被动的，而且“规则引擎标记了它”并不总是对“你究竟如何知道这是欺诈？”这一问题的令人满意回答。
Elastic如何检测SNAP欺诈：3层检测
检测SNAP欺诈需要的不仅仅是一个工具。它需要一种分层方法：规则捕获机构已经知道要查找的内容，机器学习揭示规则遗漏的内容，对话式调查帮助分析师根据数据所揭示的信息采取行动。Elastic在单一平台上提供全部三种能力。
第1层：可自定义的检测规则
检测始于机构已经理解并可以将其编码为基于阈值的规则的模式，这些规则根据其项目和政策量身定制：收入超过家庭规模阈值、福利金额超过公布的上限，或案件缺少所需文件。对于SNAP，这包括在摄取时进行实时丰富：当每个案件被索引时，摄取管道会根据州公布的限制表检查收入，并在案件到达案件工作人员之前对其进行标记，每个标记都带有与政策相关的有据可查的原因，而不是硬编码值。
第2层：使用机器学习的高级检测
规则能捕捉到机构已知需要关注的问题。机器学习则能发现规则遗漏的问题：没有固定阈值的行为漂移，例如收入随时间增长超出资格范围、地址在不同县之间轮换，或索赔活动相对于实体自身历史数据在统计上异常。Elastic 的机器学习，包括无监督和有监督，持续针对案件数据运行，而非定期报告，为分析师提供单一事实来源，而不是分散在互不相连系统中的孤立信号。
第 3 层：对话式调查
规则和机器学习识别模式；调查人员确定这些模式的含义。Elastic Agent（智能体） Builder 为欺诈分析师提供针对案件数据的对话式界面，无需电子表格或复杂查询。调查人员可以询问某个案件为何被标记，将其与相关记录进行比较，并获得下一步行动建议。它使用经过验证的复合键，而非单字段匹配，因此对共享身份的搜索会返回经过确证的匹配结果，而非巧合匹配，并且结论是“此模式值得审查”，而非指控。
这三层之下是同一个基础：对工资记录、收入验证数据源、参保历史和案件笔记的统一访问，这些数据原本并非为共享而构建，再加上实体解析，在做出裁定之前揭示可能的重复家庭。
为什么实时欺诈检测优于批量检测
大多数欺诈检测工具是被动的：收集数据、运行任务、数小时或数天后呈现结果。到那时，付款可能已经发出。
Elastic 则实时运行全部三层。检测规则在案件被索引的那一刻触发，而非按批量计划运行。机器学习持续对行为漂移进行评分，而非在隔夜报告中处理。对话式调查让分析师可以立即访问任何标记，无需等待构建查询。
这对 FY2028 很重要。各州按持续累积的付款错误率接受考核，而非单一的年度快照，而且即使欺诈最终被捕获，如果款项已经支付，仍会计为错误。一个在每一层都能检测的平台，而不仅仅是最后一层，能让项目完整性团队始终给出有依据的答案。
对于正在权衡未来 18 个月重点的机构：你的平台能否在错误成为错误率的一部分之前将其捕获？希望看到该方案针对自身资格数据运行，而非通用演示的机构，可以联系 Elastic 的公共部门团队开始对话。
常见问题
SNAP 付款错误主要是欺诈问题还是数据问题？
两者都是，但它们需要不同的修复方式。资格错误发生在案件工作人员依据长达数百页的政策手册做出诚实判断时。欺诈和滥用发生在正确批准的案件随时间漂移时，例如收入增长或地址变动，而没有人对此进行监控。
Elastic 检测 SNAP 欺诈的方式与传统规则引擎有何不同？
Elastic 在同一案件数据上叠加了三种检测方法：可自定义的检测规则，在数据摄入时自动为案件打标签；机器学习，能够捕捉固定规则无法表达的行为漂移；以及通过 Elastic Agent Builder 进行的对话式调查，供分析师验证数据所显示的内容并采取行动。部分欺诈信号在案件写入的瞬间即可被捕获，而非在后续的批处理任务中。
摄入时检测能否捕获所有类型的 SNAP 欺诈？
不能。摄入时打标签仅适用于可从单个案件自身字段中回答的规则，例如收入与家庭人数阈值的对比。跨文档模式以及没有固定阈值的行为异常，则需要机器学习或对话式调查来处理。
转载声明：本文为转载整理，原文版权归原作者及原站点所有。
原文来源：Elastic Blog
原文作者：['Adam Vielbaum']；如有侵权，请联系管理员删除。
