一些知名的银行正在利用异常检测解决方案欺诈和反洗钱。虽然一些银行和AI公司提供他们的解决方案是如何工作或者其推选的解决方案如何为他们工作，它可以是很难确定今天哪些是成功的信息。
在这篇文章中，我们提供了AI公司的两个详细的例子，与他们的异常检测解决方案的成功提供证据。这些解决方案由检测和阻止各种诈骗方法。
其中包括恶意软件和更传统的银行欺诈手段，以及通过接收和发送可疑实体的付款来洗钱的企图。我们解释的异常检测解决方案包括:
- Feedzai的基于检测异常欺诈检测平台：利用人工智能的异常检测技术来识别和阻止银行欺诈行为。
- Ayasdi的反洗钱解决方案：异常检测用于识别客户行为的变化并分析与洗钱或欺诈相关的模式。
我们首先用Feedzai的欺诈检测平台来解释这些异常检测解决方案花旗银行。
Feedzai的基于异常检测的欺诈检测平台
人工智能启动Feedzai销售他们的异常检测平台，银行等行业的欺诈检测。他们声称他们的软件可以帮助客户防止欺诈和洗钱通过详细的风险状况，为客户和他们的得分基于关于每个客户粒状数据造假的可能性。
异常检测应用程序需要一个机器学习模型，该模型对连续的输入数据流进行训练，例如实时发生的银行交易。据称，Feedzai的模型可以经过训练，识别银行交易、贷款申请或新账户信息中数据的正常基线。
像大多数其他异常检测的应用程序，该软件可以从典型模式提醒任何偏差的人的员工，让他们可以给它一个欺诈仔细审查。
员工可以选择接受或拒绝该通知，该机器学习模型，可以用它来识别，如果从一个单一的交易决心欺诈行为是正确的。这进一步列车的模型，以了解它识别出偏差是可以接受的，或者甚至欺诈的指示。
下面的图片提供Feedzai的平台是如何工作的简单描述。从实时数据流，大数据存储称为“数据湖泊”和API入OpenML引擎平台的原始交易的数据流。
然后，该平台将数据路由到进行实验和实时分析所需的端点。同时，这些数据导入“Feedzai风险工作室”，这是一个公司用来改进未来ML模型、产品和软件开发方法的数据库
据称，Feedzai的软件平台可以通过监控每笔交易中不寻常的支付行为或用于验证、认证或以其他方式确认交易的信息中的任何差异来完成这些任务。然后，在确定交易是否可能是欺诈之前，它需要分析每个异常。如果交易被证明是合法的，软件将清除它，继续通过客户银行的支付处理系统。
Feedzai声称他们OpenML引擎，用于创建新的机器学习模型，可在银行帮助数据科学团队使用提供的样本定制新ML算法的用户界面。
这可能是非常宝贵对于那些试图建立一个数据科学团队，培养他们具有专业知识与银行数据可能表明欺诈银行。我们的读者可以找到一个可以如何使用此接口的演示在这里虽然Feedzai确实需要显示视频之前的一些标识信息。
我们在采访中谈到了银行如何从这类人工智能工具中获益李斯莫尔伍德，市场和证券，北美首席运营官花旗，我们的播客，人工智能在银行业。斯莫尔伍德强调，他对银行应该如何处理建设和利用其数据科学和人工智能队视图。他重点介绍了银行如何营造创新文化，使他们的公司可以直接投资回报率之外找到成功和效益。当问及大型银行如何能够做到这一点，斯莫尔伍德说，
也许这种创新文化最大的不同之处在于，我认为许多大型金融机构仍然在与失败作斗争。如果你想吸引或获得优秀的人才，你需要有一个环境，在那里人们能够快速行动，而失败是受欢迎的，作为通往成功的过程的一部分。我并不是说我们对所有的问题都能坦然接受，而是说人们不会因为在通往真正令人兴奋的东西的路上犯了几个错误而受到谴责。
斯莫尔伍德声称创造的创新手段一种文化，C级员工和其他银行经理将需要熟悉一些施加AI行动工作时失败。这是因为他们需要多长时间来开发和安装到企业的技术堆栈AI应用程序尤其如此。有些类型的应用程序使采取的研究和开发数月，以确定银行是否可以在一个应用程序，驱动器值使用机器学习模型。
在建立银行企业领导人可能无法体会到的事实，这是它可能需要多长时间来开发的AI解决方案。然而，斯莫尔伍德为我们提供了有关如何有人可能能够有效地沟通这个更多的想法。他提到了一些成熟的公司是如何开始在自己的公司开企业创新的部门，这和类似的原因。此外，他还解释说，有一个地方，人工智能研究人员和科学家的数据可以在新的倡议和实验工作，可以显示出高层管理人员到底是什么才能建立一个人工智能软件。对此，斯莫尔伍德说，
把一些技术人员和一张乒乓球桌放在一个房间里，并不是一家创新型银行的做法。但我认为，建立一个“圈护区”，让人们能够尝试新想法，能够进入这个行业，谈论他们正在做的事情是有益的。据我所知，很多这样的组织与创业社区和风险投资社区有更多的外部关系，所以有这样的例子在某种程度上有助于启动这种文化变革。
Feedzai在他们的平台上取得了成功
除了案例分析其中Feedzai详细介绍了如何与采用其解决方案的大型零售银行的成功，还有周围的很多新闻2018与花旗的合作伙伴关系。该银行称，他们打算将Feedzai的平台应用到当前的支付服务中，比如应付账款。这可能有助于客户对所有交易的风险管理进行更多的控制。
马尼什Kohli先生，支付的全球负责人及应收款项，花旗的财务和交易解决方案（花旗TTS），提到这个项目是典型的花旗致力于创新使用最新技术的银行业务领域。
它可能会出现花旗集团专注于提供风险缓解和欺诈检测没有减缓他们的索赔处理流程。除了在支付和欺诈检测，网络攻击不久的不断创新和恶意软件也一直在提高。
花旗声称，他们的客户已经意识到了这一点，因此他们一直期待更快、更安全的交易。他们声称，采用Feedzai的软件和平台将帮助他们的客户在不花费更多时间的情况下了解新的威胁。
Ayasdi的反洗钱解决方案
Ayasdi提供基于异常检测的解决方案，用于检测和阻止洗钱交易。他们声称，该软件会分析客户支付或接受支付的实体，以确保资金来自合法来源。
此外，他们声称通过随时间分析客户的行为和它们出现检测潜在的有害图案做到这一点。该Ayasdi AML产品包含以下四个功能:
- 自动功能工程：自动检测有可能揭示潜在的欺诈模式的交易数据的各个方面。
- 智能分割:根据客户的交易历史和实时行为创建阈值，以形成客户细分。
- 行为的见解:跟踪客户行为的每日变化，并创建显示最大偏差的客户列表。
- 智能事件分流：认识其交易活动需要进一步调查，哪些可以被视为可以接受的偏差。
汽车工程特点
Ayasdi的解决方案中的自动功能工程工具可以识别包含数据中的属性软件“的信号。”什么这个Ayasdi可能意味着，实际上可以认为是正常的事务行为的偏差，但更细致的程度，从而识别潜在的有害模式的数据点。
这些模式可能是洗钱的早期指标，因此在这些模式出现时跟踪它们是很重要的。Ayasdi声称，事务数据的这些特定方面以及它们所形成的模式被用来创建与机器学习模型的正常基线感觉相关的偏差阈值。这将为他们的智能分割解决方案，使软件可以组织潜在威胁的可能性，他们实际上是企图洗钱。
智能分割
为了打破占用大量实时数据的成段，该解决方案的机器学习模型可以分析，智能分割可以创建阈值，基于银行行为的变化划分客户。如前所述，该解决方案创建这些段通过分析客户行为的变化，并确定他们是如何可能与在洗钱的尝试。
该公司声称，他们的细分方法可以帮助银行减少反洗钱行动中的误报。据称，该软件可以更快地分析大量数据，因为它可以根据每笔交易存在欺诈的一定几率进行分析。这意味着，与客户试图一次性分析一整天的数据相比，分析每个客户段所需的时间要少得多。
下面是智能分割用户界面的图像。一种数据科学家可以比较顾客的范围的客户群，并查看特定属性大约同时每个的：
当软件提供来自更多不同来源的数据时，细分结果可以交付更具体的客户组。Ayasdi声称他们的“反洗钱”技术不需要标签数据来创建客户细分，尽管目前尚不清楚这是如何做到的。
为了让机器学习算法来识别数据作为交易的一个具体方面，包含在事务中的所有数据都需要进行标识。一种方式，这可能是可能的是，如果反洗钱解决方案附带自动标记的银行有直接关系的主要洗钱方式交易方面的工具，虽然Ayasdi没有说明这一点。
行为洞察
Ayasdi的解决方案产生的客户行为跨越每一天的交易数据进行任何更改每日清单。这些行为变化可以包括指标，例如它们与正常行为偏离随着时间的推移有多远，或怎么说比较其他客户在同一网段即可。
下图显示了Ayasdi的行为洞察界面。分析人员可以根据自开户以来他们的模式发生了多大的变化，用行为上的偏差来组织交易。他们还可以根据每笔交易的金额来查看这些数据，并将其与偏差率进行比较:
此外，行为洞察工具可以显示客户何时转移到一个新的细分市场，并提供和解释原因。该工具还可以将这些偏差度量与大型客户数据资源(如CRMs或KYCs)提供的任何客户信息进行比较。
智能事件分类
事件分流是一种技术，它允许反洗钱解决方案，以确定调查的最有价值的交易数据关注或在将来分析。这据称导致软件突出事件比另一种解决方案可能相对较小的量。然而，这些结果将有发现洗钱或它们的重要指标较高的潜在价值。
Ayasdi成功地解决了AML问题
我们进行了一项案例分析上汇丰银行该公司声称，该解决方案已将银行的误报率降低了20%。他们还表示，他们发现了许多与欺诈直接相关的案例和行为模式。
这是由汇丰银行的IT团队Ayasdi努力帮助他们获得他们的反洗钱数据来完成。此外，它们的内部模型审查小组帮助ayasdi建立顾客行为模型，银行可以根据它们被用来阅读条款认识。
一些银行看到建立一个有才华的内部团队进行数据科学和人工智能是一个严重的挑战AI时代需要克服。这可以包括培训他们的内部建模团队理解这些概念。我们采访了亚当·亨特，风险智商这个在我们的播客的CTO，人工智能在银行业。当被问及除了寻找最优秀的人才外，银行如何能继续提高人工智能的技术水平时，亨特说，
培训是第一位的。有很多培训人们基本机器学习的课程。我们做了很多先进的东西覆盖整个互联网……在我们的模型中有很高的精度。因为每一次假阳性，你都在敲响警钟。但在银行内部，你可能有更宽松的要求。你可能不需要一个机器学习博士来解决所有的问题。当然有一些是你需要做的，但是对于大多数人来说，[你会从]机器学习的基础课程和一些基本的Python技能中获得很多价值。
尽管帮助银行员工成长并适应新的人工智能举措似乎很困难，但重要的是要注意，一些专家建议从小处着手。通过基本的机器学习培训，银行内部的建模团队可能能够与AI供应商合作，就像汇丰银行与Ayasdi的项目一样。
Ayasdi网站提供另一个案例研究他们帮助一家成熟的代理行采用反洗钱解决方案。该银行的目标是将其检测洗钱企图的效率提高3-5%，并需要适应采用人工智能解决方案的复杂性，这与他们以前的手工操作完全不同。
这家银行和Ayasdi一起分析客户的Swift信息，即通过银行代码发送的金融信息。世行以前从未尝试过这样做，而包含这个额外的数据源使他们能够找到多个新的标准进行分析。
交易数据例如类型，方向，值，始发者和日期的这些包括特定属性。此外，此包含创建多个不同的客户群的地域和时间序列数据。
Ayasdi要求该银行约减少了20％，有效地需要功能的人洗钱调查的音量。他们这样做是在八周的项目包括两个数据科学家，Ayasdi的项目经理之一，从银行二级域名专家。案例研究报告指出，该行决定与Ayasdi的解决方案前进，在全球部署。
标题图片来源:SpaceTime Insight
