信用卡诈骗的风险已经成为困扰全球银行信用卡部门的问题之一。以美国为例，美联储支付调查报告显示，2012年美国信用卡支付总额达260亿美元，其中未经授权的信用卡支付金额，即欺诈性信用刷卡，高达61亿美元。银行很难衡量信用卡交易的风险。为了实现这一目标，需要快速判断哪些交易是合法授权的，哪些交易是欺诈性的。那么这些任务是如何实现的呢？从消费者的角度来看，检测信用卡欺诈的过程似乎很“神奇”。这种检测几乎是瞬间发生的，其背后涉及一系列复杂的技术，从金融到经济学到法律到信息科学。当然，一些刷卡诈骗的检测是很简单的。例如，当机器发现刷卡地的邮编与发卡地的邮编不匹配时，就会发出警告。传统信用卡检测需要大量人力参与海量数据的分析判断。该算法只会对一笔交易发出警告，最新的人工审核员会打电话确认该笔交易是否涉嫌信用卡欺诈。现在，由于交易量激增，各大银行的信用卡部门开始依托大数据，通过机器学习和云计算的方式快速识别未授权的信用卡交易。用于信用卡检测的机器学习算法将首先在海量的正常交易数据和持卡人数据上进行训练。交易结果将成为机器理解交易的重要维度。例如，一个正常人可能每周买一次电，每两周去一次商场等，这些交易结果将成为正常交易的模型。接下来机器会接受实时交易数据的检验，给出交易是否违法的概率，比如97%。如果检测系统设置每笔交易不合法的概率不能高于95%，那么这些交易都将被拒绝。拒绝接受付款，换句话说，交易不会通过。该算法考虑了很多因素，包括信用卡供应商的信任度、插卡的购买行为（时空维度）、IP地址等，考虑的因素越多，建立的模型就越准确。检测过程几乎是实时的，这是人类工作人员无法达到的检测速度。但整个过程仍然需要人工参与，包括算法判断的人工审核，以及后续的信用卡诈骗追踪。金融交易过程中的数据非常庞大。例如，PayPal目前必须为1.069亿用户处理1.1PB的数据。但对于机器学习来说，更多的数据意味着可以提高自身算法的准确性，从而更好地识别刷卡欺诈事件。海量数据对银行IT系统的硬件要求非常高，数据的存储、读取和分析成为巨大的IT开销。目前，银行的信用卡部门已经开始使用云计算作为处理海量数据的方式。云计算的弹性和可扩展特性可以提高机器学习算法的效率，有效应对双11等刷卡高峰期的信用卡检测，防盗攻坚战一直在进行。借助机器学习、大数据和云计算，以及未来可以实现的区块链技术，未来我们的钱包和卡包会越来越安全。
