隨著現(xiàn)代技術(shù)的發(fā)展和成熟，生活變得更加舒適。盡管過去認(rèn)為機(jī)器學(xué)習(xí)不可能同時執(zhí)行復(fù)雜的操作，但計算機(jī)使人們的工作任務(wù)變得更加容易，那么為什么防止欺詐的機(jī)器學(xué)習(xí)是迄今為止最好的工具。使用間諜軟件，勒索軟件和其他非法應(yīng)用程序非法訪問計算機(jī)的方法也變得日漸增多。黑客使用各種工具來影響網(wǎng)絡(luò)的運(yùn)行并竊取人們的數(shù)據(jù)。

欺詐方案也很普遍。在某些情況下，它們的設(shè)計是如此出色，以至于無法區(qū)分真假。人工智能經(jīng)常被用來應(yīng)對這些威脅，在本文中，我們將回顧為什么機(jī)器學(xué)習(xí)是預(yù)防欺詐的最佳工具。

　　銀行帳戶屬于高風(fēng)險組

大量現(xiàn)金流，數(shù)十億筆交易以及數(shù)百萬客戶的付款交易為黑客入侵人們的銀行帳戶創(chuàng)造了有利條件。欺詐者的行為不僅造成直接的物質(zhì)損失，而且破壞了金融機(jī)構(gòu)的信譽(yù)，嚴(yán)重打擊了其聲譽(yù)。

如今，針對性攻擊的數(shù)量已大大增加，可以選擇特定的受害者，并且攻擊本身是由專門從事特定類型活動的各種攻擊者團(tuán)體精心準(zhǔn)備和實施的：開發(fā)和銷售惡意代碼，破壞通信渠道，這導(dǎo)致了新的欺詐方案的出現(xiàn)。

通過影響銀行系統(tǒng)的方法，欺詐被分為外部和內(nèi)部，其中涉及銀行雇員。欺詐也可以分為以下幾種實施渠道：銀行分支機(jī)構(gòu)-非法執(zhí)行帳戶支出操作，欺詐性的補(bǔ)償款記賬，付款，退款，資金臨時借用，具有休眠帳戶的非法操作，沖銷；銀行卡和支付卡-略讀（在支付終端和ATM中卡被盜用），CNP欺詐（卡不存在，在互聯(lián)網(wǎng)上購買時卡數(shù)據(jù)被盜用）；網(wǎng)絡(luò)釣魚 -虛假陳述客戶進(jìn)行交易的行為；遠(yuǎn)程銀行服務(wù)-破壞渠道，更改客戶信息，未經(jīng)授權(quán)的轉(zhuǎn)移，更改付款訂單中收款人的詳細(xì)信息等。

由于服務(wù)渠道的特征，折衷方法，構(gòu)成被盜數(shù)據(jù)等，每個欺詐性計劃都有其準(zhǔn)備，出售，提取和兌現(xiàn)現(xiàn)金的行為。

　　反欺詐系統(tǒng)是預(yù)防的最佳工具

防范外部和內(nèi)部欺詐者的最有效方法是使用反欺詐系統(tǒng)，該系統(tǒng)可以控制銀行客戶的付款和會話交易，評估銀行員工的行為，快速識別各種服務(wù)渠道中的新欺詐方案，并防止從客戶帳戶中提取資金。

這也適用于其他行業(yè)，尤其是那些欺詐率很高的行業(yè)。例如，讓我們來看看加密行業(yè)。據(jù)認(rèn)為，2018年至2019年之間發(fā)生的所有ICO中有80%是欺詐性的。這創(chuàng)造了一個前提，即每個加密項目都是騙局。我們非常清楚這與事實相去甚遠(yuǎn)。如今，欺詐檢測AI被用于確認(rèn)欺詐指控，而不是找到它們。例如，在比特幣進(jìn)化騙局戲劇中，該公司聘請了幾位AI專家來讓算法研究公司活動。最后，人工智能成功地使公司免于指控，事實證明，這比專業(yè)人士的話更值得信賴。

反欺詐系統(tǒng)的主要功能是可以匯總來自各種來源的大量數(shù)據(jù)的能力，這使您可以查看客戶和員工在不同渠道中的行動情況下的操作。反欺詐系統(tǒng)的主要目標(biāo)是：

·分析和處理各種系統(tǒng)中進(jìn)行的金融和非金融交易的流量

·應(yīng)用業(yè)務(wù)規(guī)則和算法來檢測可疑活動

·識別客戶或員工不典型的行為模式

·識別帶有欺詐跡象的一系列事件

·提供方便的工具來調(diào)查和分析數(shù)據(jù)

專家系統(tǒng)還廣泛用于檢測欺詐交易，其中包含許多旨在識別可疑交易的統(tǒng)計規(guī)則和邏輯表達(dá)式，但是這種方法有幾個缺點(diǎn)。

　　為什么機(jī)器學(xué)習(xí)被證明是防止欺詐的有效方法？

機(jī)器學(xué)習(xí)方法與統(tǒng)計規(guī)則的結(jié)合使用有助于降低與專家系統(tǒng)的局限性相關(guān)的風(fēng)險，尤其是減少合法交易被錯誤識別為欺詐的案件的數(shù)量，并增加成功檢測到的真正欺詐的數(shù)量交易。機(jī)器學(xué)習(xí)算法可以檢測到人類不明顯的依賴關(guān)系，從而快速分析大量數(shù)據(jù)。

為了檢測欺詐，在教師（監(jiān)督學(xué)習(xí)）和沒有教師（無監(jiān)督學(xué)習(xí)）的情況下都使用了學(xué)習(xí)算法。在第一種情況下，我們主要討論分類算法，當(dāng)有一個訓(xùn)練樣本具有先前已知的答案，而在第二種情況下，則沒有此類答案。可以將跨國序列視為文本，然后出現(xiàn)分析文本數(shù)據(jù)和處理自然語言（NLP）的方法。

為了使分類算法起作用，有必要在一個有限的時期內(nèi)建立一個數(shù)據(jù)集，其中包含已確認(rèn)的欺詐和合法交易。但是，在標(biāo)記交易時，不可避免地會出現(xiàn)困難：通常需要根據(jù)在構(gòu)建模型所選擇的時期內(nèi)從欺詐調(diào)查行為中獲取的信息來手動執(zhí)行此操作。還可以使用調(diào)查文件的機(jī)器解析來獲取欺詐性交易的樣本，但是由于其不良的結(jié)構(gòu)化結(jié)構(gòu)和良好的質(zhì)量，因此難以實現(xiàn)這種樣本。

與老師一起學(xué)習(xí)時，班級的不平衡是不可避免的：合法交易的數(shù)量是欺詐交易的數(shù)十萬倍。在這種情況下，將使用以下方法：數(shù)據(jù)平衡;過濾 通過“重新標(biāo)記”其他交易來豐富樣本，專家很可能將其識別為欺詐。此外，使用半監(jiān)督學(xué)習(xí)方法，該方法使用已知的交易是否為欺詐交易以及不知道此交易的交易。

結(jié)論

解決欺詐檢測問題時，對數(shù)據(jù)進(jìn)行全面的初步分析以及選擇正確的方法來構(gòu)建和驗證模型的有效性非常重要，因為否則，可能有必要重新訓(xùn)練模型。沒有一種標(biāo)準(zhǔn)解決方案同樣適合于任何檢測欺詐的任務(wù)-在每種情況下，都需要一種單獨(dú)的方法來考慮問題的所有特征和反欺詐系統(tǒng)的要求。

盡管機(jī)器不是完美無缺的機(jī)制，而且還會犯錯誤，但它們是應(yīng)對欺詐行為的最佳工具，欺詐行為會破壞銀行，系統(tǒng)和各種網(wǎng)絡(luò)的正常運(yùn)行。技術(shù)專家做了很多工作，以進(jìn)一步改善他們的操作，并使他們對威脅更加警覺。