FreeBuf.COM网络安全行业门户，每日发布专业的安全资讯、技术剖析。

在银行及金融服务行业，人工智能反欺诈检测（AI fraud detection for banking） 是指通过部署机器学习（ML）算法来缓解欺诈活动的技术方案。 人工智能模型通过分析海量数据集，能够学习区分可疑活动与合法交易，助力识别潜在欺诈风险以防范金融犯罪 —— 甚至可以捕捉到人工人员可能遗漏的欺诈趋势。 金融机构正越来越多地将人工智能解决方案整合到新的及现有工作流程中，以优化决策、强化欺诈预防并提升风险管理水平。基于历史数据训练的人工智能驱动型机器学习模型，可借助模式识别技术自动识别并拦截潜在欺诈交易的执行；也可能要求人工人员完成额外的身份验证步骤，以核实可疑交易。此外，人工智能技术还可通过预测分析，预估个人未来可能发生的交易类型，并识别新的交易类型或交易行为是否存在异常。 通过这些方式，金融科技领域的人工智能应用能够帮助个人防范各类欺诈造成的资金损失，包括网络钓鱼诈骗、身份盗用、支付欺诈、信用卡欺诈及其他各类银行欺诈。 人工智能反欺诈检测系统并非完美无缺，部分误报可能对整体客户体验产生负面影响。但对金融机构而言，阻止欺诈者实施从未授权扣费到洗钱等各类金融犯罪，是保障客户账户安全、维持监管合规性的首要任务。 随着人工智能技术的持续进步，无论是人工智能反欺诈解决方案提供商，还是头部金融机构，都寄望于人工智能成为防范欺诈尝试、缓解欺诈风险的更具价值工具。

人工智能技术使计算机能够以类似人类认知的方式进行自主行为、学习、适应、解决问题及执行操作。尽管人工智能系统的智能水平未必能与人类相媲美，但在严格的规则驱动型系统中，经过训练并专注于特定任务的人工智能，能够以远超人类的速度和规模达到甚至超越人工表现。

监督式学习与无监督式学习

应用于银行反欺诈的人工智能系统均针对特定任务进行了高度优化。人工智能模型通过监督式学习（supervised learning） 流程，利用大量精心整理的数据完成训练，这种方法可引导模型识别特定任务对应的特定模式。 与之相对，无监督式学习（unsupervised learning） 允许人工智能系统在无定向训练材料的情况下，从历史数据中自主推导结论。

监督式学习

在监督式学习场景中，人工智能系统会针对特定欺诈手段进行训练，以掌握模式识别能力。例如，一个监督式学习数据集可能包含数千条正常金融记录，并混入已识别的欺诈行为案例 —— 如异常大额交易、向已知欺诈地址的资金转账等。 通过这种训练方式，人工智能能够精准识别两类交易：一是普通的、大概率合法的交易；二是符合已知欺诈行为模式的交易。

无监督式学习

无监督异常检测技术 用于弥补监督式训练模型的局限性，使人工智能模型能够识别此前未被预测、但仍属于异常范畴的行为模式。具备无监督学习功能的人工智能系统，可通过分析新数据，在人工人员尚未察觉的情况下检测潜在欺诈手段。 结合监督式与无监督式学习，银行可利用人工智能自动化技术，筛查已确认的欺诈模式；同时，若发现未知模式可能预示新型欺诈活动，系统会及时发出警报。

人工智能技术的其他应用

人工智能技术的典型应用之一是社交媒体聊天机器人 —— 这是一种能够与客户进行自动对话的程序。此类聊天机器人常用于客户服务场景，可实时解答基础问题、提供相关信息，无需客户等待人工坐席接入。 除客户服务外，银行业还采用多种集成人工智能的程序和软件来识别并防范潜在欺诈。银行利用人工智能系统实现实时检测 ，通过搭载人工智能的程序分析海量交易数据，从多个维度识别并标记可疑账户活动，具体应用包括：

• 员工支持 从事传统反欺诈工作的人工人员，可借助基于大语言模型（LLM）的人工智能助手，通过自然语言交互查询海量数据集，或查阅冗长复杂的政策文档。
• 监管合规 银行面临着维持监管合规的巨大压力。人工智能程序可通过计算机视觉技术分析身份验证文件，识别其中的不一致之处或欺诈迹象，助力银行落实客户身份识别（KYC） 政策；同时，通过标记与非法洗钱相关的已知账户或行为（如在不同账户间转移等额资金），协助银行执行反洗钱（AML） 流程。
• 异常检测 人工智能系统在各类需要模式识别的场景中表现尤为突出。图神经网络（GNN） 作为一种特定类型的人工智能，专为处理可表示为图结构的数据而设计 —— 这类数据在银行业中极为常见。图神经网络能够处理数十亿条记录，识别大规模数据中的关联模式，从而追踪并侦破极为复杂的欺诈案件。
• 风险评分 人工智能和机器学习模型基于加权数据构建，可针对潜在行为分配概率，评估最优决策或行动方案。因此，模型能够结合交易金额、频率、地点及历史行为等多维度因素进行评估，非常适用于风险判定场景，可确定特定交易的欺诈风险，以及向潜在欺诈申请人发放贷款或授信额度的风险。
• 网络分析 图分析等机器学习技术可通过分析实体间的关系，识别可疑关联或集群，从而揭露潜在欺诈者的网络结构。

人工智能系统正在为银行业开启欺诈检测与安全防护的新时代，相比传统欺诈检测方法实现了跨越式提升。不过，人工智能模型是在传统系统的经验与实践基础上构建的，传统方法仍有其适用场景。

传统欺诈检测的优势

• 易于实施 传统欺诈检测技术基于成熟的规则驱动型方法，执行流程简单。例如，根据某一账户的消费习惯，标记所有超出特定平均范围的新交易。
• 人工智能优势 传统人工欺诈检测分析师具备丰富的领域经验、直觉和专业知识。在某些场景下，只有经过传统训练的人工人员才能验证特定交易的合法性，或识别潜在的欺诈企图。

传统欺诈检测的挑战

• 范围有限 传统的规则驱动型欺诈检测系统依赖固定逻辑关系（如 “若发生 X，则执行 Y”）。这种方法虽有一定效果，但无法整合大量不同数据点之间可能存在的复杂关联。
• 扩展性不足 随着交易规模激增，由人工欺诈检测专家构建和管理的传统系统，难以快速处理每分钟、每秒钟不断增长的数据量。增聘人员不仅成本高昂，甚至可能无法满足需求。
• 错误率高 传统欺诈检测使用的规则驱动型系统通常极为僵化，一旦检测到潜在欺诈指标就会触发警报。这种僵化性可能导致大量误报。例如，若某账户从未进行过超过 100 美元的取款，当用户尝试提取 200 美元时，系统可能会拦截该交易。尽管此行为存在异常，但并不等同于欺诈 —— 客户可能只是有临时的大额取款需求。这类误报会引发不必要的调查和延误，进而降低客户满意度。

人工智能驱动型欺诈检测的优势

• 模式识别能力提升 人工智能系统擅长处理海量数据，能够识别复杂且隐蔽的模式。通过全局分析，人工智能系统可以更精准地识别异常活动。
• 海量扩展性 借助自动化技术，人工智能系统能够监控的交易规模远超人类处理能力，可实现实时分析，并提供比传统方法更快速的响应。
• 适应性强 人工智能算法在完成初始训练后不会停止学习。随着系统持续运行，它能够不断学习和适应，提升识别新型欺诈的能力，增强整体效能。

人工智能驱动型欺诈检测的劣势

• 依赖数据 人工智能模型的训练、学习和优化需要极大量的数据支持。这些数据需通过采集或生成（合成数据）获得，且必须经过精心整理。模型的准确性直接取决于训练数据的质量。
• 实施复杂 将人工智能系统整合到现有架构中具有一定挑战性。尽管从长期来看人工智能能节省成本，但初期往往需要大量投入。

自落地应用以来，多家金融机构和银行的实践充分证明，人工智能反欺诈检测的应用率正不断提升。例如，美国运通（American Express）通过部署先进的长短期记忆（LSTM） 人工智能模型，将欺诈检测能力提升了 6%；贝宝（PayPal）借助全球 7×24 小时运行的人工智能系统，实时欺诈检测能力提升了 10%。 在实际应用中，银行业人工智能反欺诈检测的场景丰富且持续增长，主要包括：

• 加密货币追踪 加密货币具有去中心化和一定程度的匿名性，因难以追踪而受到欺诈者青睐。人工智能反欺诈工具可监控区块链交易，识别快速资金转移等异常行为，并追踪被盗或非法支付资金的流向。
• 验证型聊天机器人 集成到在线平台的人工智能聊天机器人，除客户服务外还可承担验证功能。通过分析语言模式和用户行为，聊天机器人能够基于已知的对话特征识别网络钓鱼尝试或身份盗用行为，从而揪出诈骗者。
• 电子商务欺诈检测 银行可利用人工智能系统，通过分析客户行为、购买历史和设备信息（如地理位置），标记与历史模式不符的交易，保护客户免受电子商务欺诈侵害；同时，借助计算机视觉、逻辑推理技术识别可疑网站，在用户向不良商家付款前发出预警。

作为一项革命性技术，人工智能反欺诈检测已对银行业产生深远影响，未来潜力巨大。然而，尽管人工智能具备诸多优势，这项新技术仍面临一些挑战。

幻觉与错误

人工智能系统的性能虽在不断提升，但并非绝对可靠。人工智能模型经常会生成不准确的结果，这种现象被称为幻觉（hallucinations） 。在银行业中，可通过构建针对特定任务的高度专业化模型来减少不准确结果，但这类模型会限制人工智能的潜在价值。尽管幻觉问题尚未严重到使人工智能无法使用，但提升准确性仍是人工智能在银行反欺诈领域进一步发展的关键。

偏见

数据分析中的偏见问题早在计算机技术出现之前、科学发展的早期就已存在，且至今仍未解决。在敏感的金融服务领域，行业已投入大量精力消除贷款业务和账户保护中的偏见与歧视。而如何消除由可能存在偏见的技术人员所构建的人工智能模型中的偏见，是一项必须攻克的关键挑战 —— 这能避免基于性别、种族、残疾状况和宗教等因素的歧视。

合规性

数据隐私治理问题在银行业至关重要。人工智能模型需要访问海量数据，而这些数据的获取和处理必须符合伦理规范。此外，人工智能的实施还需经过周密考量，避免违反现行数据隐私法规。事实上，随着这项新技术的发展，立法者和监管机构可能需要评估并更新当前监管框架，以确保客户隐私安全。

本文为 独立观点，未经授权禁止转载。
如需授权、对文章有疑问或需删除稿件，请联系 FreeBuf 客服小蜜蜂（微信：freebee1024）