自2010年代初，各大银行纷纷使用异常检测 -一个AI的技术，用于从标准偏差确定 - 用于自动化欺诈，网络安全，和反洗钱过程。
事实上，根据我们的AI机遇景观研究在银行业提高了AI的风险投资的约26％是用于欺诈和网络安全应用，超过任何其他的用例类。
在这篇文章中，我们涵盖了不同的方法来AI银行可以使用用于检测支付欺诈，贷款诈骗和客户入职欺诈行为。我们还讨论每种方法需要的数据以及如何将数据用于欺诈检测的目的。更具体地讲，这篇文章探讨：
- 银行欺诈检测的机器学习概述
- 异常检测用于识别支付和应用信息不一致或不准确
- 在多个银行渠道发现舞弊预测分析解决方案
我们从机器学习在银行欺诈检测的概述。
银行系统中的机器学习欺诈检测概述
银行可以从基于机器学习的欺诈检测解决方案中受益，因为它们将能够仪它跨数据的多个信道进行分析。这意味着该模型可以被训练的同时检测多种类型的交易或应用程序，或者这两种内的欺诈行为。
数据科学家的有些强大的团队可能为了有必要正确地实现这样的文章中提到的那些解决方案，应该注意的重要。我们采访杰森桑德兰世界AI带领Facebook的，关于建立有效的数据科学团队。当被问及他如何去约寻找一个AI队新兵，Sundram说：
我觉得有很多的成分......还有很多给谁拥有博士学位，人们的焦点，并肯定他们是方程的一个重要组成部分。但是真的有别人谁代表了利益相关者，这样你才能真正弄清楚如何你要提供的东西，这真的是难能可贵的是非常重要的。而且还有为数众多的成为超级重要，尤其是在规模上说我们在其他的技能。
我们可以从这段话推断，没有有效的数据科学团队的每一个成员都可以一定需要在一个AI高层次的学术背景。Sundram凸显有人在数据科学团队谁更符合市场和客户群调的实用性。
这是有道理的，因为技术熟练的数据科学家们可能不知道进行实验，以获得最佳的结果的变量。
数据科学仪表盘的机器上的那些工作学习模型，一旦它通常被实现允许从该软件作出了相关的数据。这使得银行的领导和数据科学家开发的一种更深刻的了解该软件如何可能已经达到了其结论，或至少其中的数据很可能已经引起了它的相关性。
供应商实施例：Teradata的
Teradata数据是AI公司的销售欺诈检测解决方案的银行。他们声称他们的机器学习平台可以提高通过帮助他们的数据分析软件识别潜在的欺诈案件，同时避免与标准偏差可以接受的银行欺诈检测。在其他情况下，这些偏差可以被标记，并最终为误报，提供系统反馈从错误中“学习”。
根据案例分析在其网站上列出的方案，Teradata帮助Danske银行更新其欺诈探测进程，减少每天他们声称1200个误报。
案例研究的状态，到时候丹麦银行已经完成了安装和实施Teradata的解决方案，他们能够：
- 由60％减少他们的误报和预计将达到80％的机器学习模型继续学习。
- 增加50％，真正的欺诈检测
- 将他们的时间和资源重新集中在实际的欺诈案件和识别新的欺诈方法上。
我们将继续我们的人工智能软件的覆盖欺诈检测与异常检测，以及它如何能识别日常银行业务过程中的风险因素银行业。
异常检测的付款欺诈
异常检测为基础的欺诈检测和防护解决方案比预测和规定的分析更常见。这种类型的应用的需要，其上输入数据的连续流培养了更常见的机器学习模型。该模型被训练成具有正常的对银行交易，贷款申请，或信息的内容打开一个新的帐户基线意义。
然后，该软件可以从正常模式通知任何偏差的人监视，以便他们可以查看它。显示器可以接受或拒绝该警报，其学习信号的机器模型，从交易，应用程序或客户信息决心欺诈的正确与否。
这将进一步训练机器学习模型“理解”，它发现的偏差为任何欺诈或新的可接受偏差。
这种基线也可与其他各种银行业务或实体交互成立。除了帐户所有者，欺诈行为可能来自商家和发行人，他们的交易信息可以被用来训练机器学习模型识别交易处理正确。这通常会涉及的定价，还可能涉及未付商品的遗漏。
我们采访李兆光，居民信任和安全架构师筛科学，人工智能欺诈检测供应商。w ^Ë问李今天的欺诈检测能力之间和五到十年前的差异。他的回答强调了AI对这些银行实体内发现舞弊的能力。
至于银行在考虑各方面业务可能存在的欺诈时可能面临的挑战，Lee说:
If you were a merchant, you obviously had confidence in yourself, of course I’m going to deliver these goods that I’m selling, but now you get into a scenario where I could be bad, the merchant could be bad or both could be bad and so it becomes more complex to figure out who’s bad, what’s the story and what is going on in this space. As a result it’s become much more difficult to decipher who’s good and who’s not.
另一种可能性是在消费行为，这将使机器学习模型识别的欺诈细节零售购物或电子商务。Geolocational数据可能是这些类型的应用程序很重要，因为它是常见的欺诈交易发生在远离地方帐户拥有者的生活。
供应商实施例：Feedzai
一个供应商销售异常检测为基础的欺诈检测软件，以银行为Feedzai。该公司声称，他们的软件可以帮助银行防范欺诈和洗钱通过开发客户的详细风险简介和基于粒进球的数据他们。
该公司声称，他们的OpenML引擎软件可以帮助银行的数据科学团队建设自己的机器学习模型，使用该软件的提供欺诈模型欺诈检测。
下面是一个图像的细节它是如何工作的显示数据从数据湖泊和API流入OpenML引擎，然后进行部署。从部署的数据似乎也漏斗进入feedzai风险的工作室，在那里进行分析，并传送回数据湖：
Feedzai声称有更准确地帮助了美国的顶级零售银行之一检测欺诈。他们公布显示，银行与软件的成功案例分析，但并未点名他们。这是非常重要的注意考虑AI软件供应商时，却因为Feedzai的团队AI人才和选取框的客户，如花旗银行的我们有信心，他们实际使用的AI。
按照案例分析，客户银行发现，他们目前的主要申请处理系统在线申请的欺诈检测程序已经拒绝了超过一半的申请人。这导致了该行希望在未来避免的重大损失。
他们需要一个能够通过新的帐户，应用程序运行，并只接受那些揭示了低风险率欺诈风险评分的应用程序。该银行希望确保唯一的应用推送到人工审核确实是风险，而这种风险因素，突出了更快的决策对人类监视器的一部分。
客户使用银行自己的数据库部署他们的应用处理系统内Feedzai的欺诈检测软件。这据称由Feedzai软件为新客户入职过程中的主要决策引擎可以检查他们的身份，资格和评估个别客户的欺诈风险。案例研究还指出，软件也能够提出跟进问题的具体客户时，它并没有足够的信息呈现给做出决定。
Feedzai在案例研究中称，在整合了他们的软件后，客户银行的新入网客户增加了70%。他们还表示，尽管获得批准的申请者数量增加了，但该行的欺诈损失没有增加。
预测性和规范性分析可以从多个源检测欺诈
机器学习模型进行欺诈检测，也可用于开发预测和规范分析软件。预测分析提供通过预训练算法分析数据就其欺诈风险程度得分交易欺诈检测的不同方法。
规范性的分析需要从预测分析引擎的相关性做出的预测，并使用它提供一旦检测欺诈行为做什么的建议。
预测和规范分析软件需要相同的数据和训练来实现。银行业数据专家或客户的银行采用的数据科学家将需要标注的交易高体积无论是欺诈或合法，然后运行所有的人，虽然机器学习模型。这使得机器学习模型能够识别在欺诈交易中使用欺诈方法。
例如，欺诈交易可能是一个产品，帐户拥有者从未购买过或可能永远买。此外，谁提出的购买可能不与账户的主人是在购买的时候排队的人的地理位置。
该软件可以被训练后，检测到这些不一致的地方，所以这将是这些数据点更加敏感交易，它们标记内，如果位置数据和所购产品是可疑的。
银行很可能已经拥有了所有标记这个数据，因为它们从过去几年存储的银行记录。在机器学习模型中的客户银行工作诈骗专家将需要的标签，其交易欺诈或没有在系统的培训。该软件在它被暴露在更多的标记交易中的欺诈和合法的银行业务之间辨别逐渐好转。
银行可以使用预测基于分析的欺诈检测软件在参与支付处理多渠道发现欺诈行为。这可能包括对金融服务的定期付款，如可能涉及单独处理服务的财务顾问或电子商务支付。此外，银行可以使用这个软件来检测在银行或远程订购和对商品和服务支付的移动应用程序欺诈行为。
运用预测分析欺诈检测，以多渠道
至于经常性的金融服务费，这一进程将在很大程度上保持不变。然而，数据分析，更可能涉及修改付款信息，当他们完成。这些款项会自动充电，并在一个下降的账户持有人被通知的情况下，并支付被拒绝。欺诈者可能会尝试他们的帐单信息改变别人的，这一个预测分析应用程序可能能够识别。
电子商务支付往往需要经过第三方支付处理系统，商家有合作关系。例如，群众集资网站Patreon使用条纹处理其付款，使用预测分析软件银行可以识别作为一个独立的实体。该软件可以与条纹应该如何处理付款所建立的基线给定事务比较处理数据。
这使得当事务使用第三方服务，以降低误报识别软件。否则，该软件可以识别额外的实体为新的可能的诈骗方法。
手机银行和电子商务的应用程序也可以免受欺诈使用预测性分析的保护。这个过程类似于如何正常商户或金融服务的支付可能会被分析，但在它具有覆盖每个移动应用程序，银行可能要审议的各个结构和流程不同。有可能是许多移动应用的设计与应用内购买之间有一些重叠，但仍可能对银行的挑战。
这种挑战来自于智能手机应用程序的不断更新性质。预测分析软件也可以在这些应用中检测异常的用户行为，如登录到一个帐户从手机，该帐户所有者从未见过。这可以用智能手机geolocational数据以及如果手机持有任何客户的个人资料被发现。这可以使软件来检测欺诈性登录，可能会发生任何欺诈性交易之前。
供应商实施例：DataVisor
一个供应商的销售预测分析为基础的欺诈检测解决方案，以银行为DataVisor。该公司声称，他们的软件可以亲自和电子商务交易，索赔，贷款申请以及金融服务支付提供风险评分。他们还声称有软件有能力主动搜索和检测基于新发现的欺诈方法和新出现的那些新的风险因素。
下面是一个显示在计算机屏幕上如何DataVisor的平台长相，沿着这个仪表盘是如何有益的几个音符的图像：
根据案例分析在其网站上公布，DataVisor帮助美国”最大的银行之一探测贷款他们在网上申请使用特定的欺诈方法。这些措施包括使用伪造的身份，身份盗用，并在他们的客户数据的组合协调的攻击。
案例研究指出，DataVisor的无监督机器学习引擎能够分析所有的应用程序一起。这允许它在它们之间微妙提取的相关性来识别欺诈它以前被人们忽视。
DataVisor声称，他们的软件能够以90％的准确率，以发现更多的30％的欺诈行为。该案例研究还指出误报数额的欺诈检测情况的1.3％。
Emerj银行业专业人员
在Emerj，人工智能研究与咨询公司，我们帮助全球银行选择正确启用AI-欺诈检测供应商，评估那里的AI可以适应他们的欺诈检测工作流程，并提高他们的欺诈检测技术，项目的成功率。客户端使用AI景观机会，以减轻金融和监管风险，减少误报，并降低管理成本。
我们还帮助全球银行发展赢得AI策略，使他们能够成功地应用到AI银行流程以及未来。联系我们以了解更多信息。
标题图片来源:PYMNTS.com
