随着现代科技的发展和完善，生活变得越来越舒适。虽然同时执行复杂的操作曾经被认为是不可能的，但计算机现在使这项任务变得容易。与此同时，使用间谍软件、勒索软件和其他非法应用程序非法获取计算机访问权的行为也变得猖獗。黑客使用各种工具来影响网络的功能并窃取人们的数据。欺诈手段也很普遍。在某些情况下，这些骗局设计得非常好，以至于人们无法分辨真假。虽然人工智能通常用于对抗这些威胁，但在本文中，作者将解释为什么机器学习是防止欺诈的绝佳工具。银行账户是高危人群庞大的现金流量、数十亿笔交易、数百万客户的支付交易，为黑客侵入人们的银行账户创造了有利条件。诈骗分子的行为不仅造成直接的物质损失，还会损害金融机构的信誉，严重损害银行的声誉。今天，有针对性的攻击数量显着增加，其中可以选择特定的受害者，攻击本身是由专门从事特定类型活动的各种攻击者团体精心准备和实施的：开发和销售恶意代码，破坏通信渠道，这导致了新的欺诈计划的出现。通过影响包括银行雇员在内的银行系统，欺诈被分为外部欺诈和内部欺诈。诈骗还可以分为以下实施渠道：银行分支机构——违规执行账户支出操作、诈骗赔付、付款、退款、临时借用资金、违规操作固定账户、冲销；银行卡和支付卡-刷卡（支付终端和ATM中的卡被盗）、CNP欺诈（未持有卡、网上购物的卡数据被盗）；网络钓鱼-虚假陈述客户进行交易的行为；远程银行服务——扰乱渠道、篡改客户信息、擅自转账、更改支付单收款人信息等。由于服务渠道的特点、手段的五花八门，每一个骗局都有准备、出售、提取和套现现金的行为，合成被盗数据等。反欺诈系统是防止欺诈的绝佳工具。防范外部和内部欺诈最有效的方法是通过使用反欺诈系统，它可以控制银行客户的支付和对话交易，评估银行员工的行为，并快速识别各种服务渠道中的欺诈行为。新型欺诈计划并防止从客户账户中提取资金。这也适用于其他行业，尤其??是那些欺诈率高的行业。例如，我们以加密货币行业为例。据说2018年至2019年间发生的所有ICO中有80%是欺诈性的。这创造了一个前提，即每个加密货币项目都是一个骗局。我们非常清楚这与事实相去甚远。今天，欺诈检测AI用于确认欺诈指控，而不是发现它们。例如，在BitcoinEvolution骗局期间，该公司聘请了几位人工智能专家来让算法了解公司的活动。最终，人工智能设法为公司免除指控，事实证明这比专业人士的话更可信。反欺诈系统的一个关键特性是能够聚合来自各种来源的大量数据，这使您可以跨不同渠道在客户和员工行为的背景下查看操作。反欺诈系统的主要目标如下：分析和处理在各种系统中进行的金融和非金融交易的流程；应用业务规则和算法来检测可疑活动；识别客户或员工的异常行为模式；识别一系列指示欺诈的事件；提供方便的工具来调查和分析数据。专家系统也广泛用于检测欺诈交易，其中包含许多旨在识别可疑交易的统计规则和逻辑表达式，但这种方法有几个缺点。为什么机器学习被证明是防止欺诈的有效方法？机器学习方法和统计规则的使用有助于降低与专家系统的局限性相关的风险，特别是减少合法交易被错误识别为欺诈的案例数量，并增加成功检测到的真实欺诈的数量。机器学习算法可以检测人类不明显的依赖关系，从而可以快速分析大量数据。为了检测欺诈，学习算法既有教师参与（监督学习）也有没有教师参与（无监督学习）。在第一种情况下，当有一个已知答案的训练样本时，我们主要在谈论分类算法。在第二种情况下，没有这样的答案。跨国序列可以看作文本，于是出现了文本数据分析和处理自然语言（NLP）的方法。为了使分类算法起作用，必须有一个数据集来识别欺诈和合法交易，例如，在有限的时间段内。然而，在标记交易时，不可避免地会出现困难：通常需要根据从用于构建模型的欺诈调查中收集到的信息进行手动标记。欺诈交易的样本也可以通过侦查文件的机器解析获得，但此类样本结构差、质量高，难以获得。跟着老师学习，阶级失衡是不可避免的：合法交易比欺诈交易多数十万倍。在这种情况下，可以采用以下方法：数据平衡；过滤；通过“重新标记”专家认为可能存在欺诈的其他交易来丰富样本。此外，还使用了一种半监督学习方法，该方法使用已知的欺诈交易和未知交易。结论在解决欺诈检测问题时，对数据进行全面的初步分析并选择正确的方法来构建和验证模型的有效性非常重要，否则模型可能需要重新训练。没有任何标准解决方案可以同样适用于检测欺诈的任何任务-在每种情况下，都需要一种单独的方法来考虑问题的所有特征和反欺诈系统的要求。尽管机器不是很好的机制，它们也会出错，但它们是防止破坏银行、系统和各种网络正常运作的欺诈行为的绝佳工具。技术人员已经做了大量工作来进一步改进机器的操作并使它们更加警惕威胁。
