Как применяется ИИ в обнаружении мошенничества?

Применение искусственного интеллекта в обнаружении мошенничества

На Диком Западе были стрелки, ограбления банков и вознаграждения – в современном цифровом мире есть кража личности, мошенничество с кредитными картами и возврат платежей.

Получение прибыли от финансовых мошенничеств стало миллиардным криминальным предприятием. И искусственный интеллект сделал этот процесс еще более прибыльным для мошенников.

По прогнозам отчета Nilson, потери от мошенничества с использованием кредитных карт по всему миру достигнут 43 миллиарда долларов к 2026 году.

Финансовые мошенничества совершаются различными способами, такими как хищение взломанных данных из темного веба для кражи кредитных карт, использование генеративного искусственного интеллекта для выудения личной информации и отмывание денег между криптовалютой, цифровыми кошельками и фиатными валютами. В цифровом подполье грозит множество других финансовых схем.

• Решение проблем автокорреляции в общей линейной модели на реальном применении
• «Как улучшить результаты работы ChatGPT с помощью параметров конфигурации»
• Революция в торговле акциями с использованием ИИ и машинного обучения возможности и вызовы

Для борьбы с этими преступлениями финансовые компании используют искусственный интеллект для обнаружения мошенничества. Ведь многие из этих цифровых преступлений должны быть пресечены в реальном времени, чтобы потери могли быть остановлены сразу же.

Как же искусственный интеллект используется для обнаружения мошенничества?

Искусственный интеллект для обнаружения мошенничества использует несколько моделей машинного обучения для выявления аномалий в поведении клиентов и связях, а также в шаблонах учетных записей и поведения, соответствующих мошенническим характеристикам.

Генеративный Искусственный Интеллект Может Стать Помощником По Борьбе с Мошенничеством

Управление финансовыми услугами включает в себя много текста и чисел. Генеративный искусственный интеллект и большие языковые модели (LLM), способные учиться значению и контексту, обещают нарушить фундаментальные возможности в различных отраслях. Финансовые компании могут использовать генеративный искусственный интеллект для разработки более умных и способных чат-ботов и улучшения обнаружения мошенничества.

С другой стороны, злоумышленники могут обойти защиту искусственного интеллекта, используя хитрые вызовы генеративного искусственного интеллекта для мошенничества. Большие языковые модели создают письма, написанные так, как будто их написал человек, что позволяет мошенникам составлять контекстно релевантные электронные письма без опечаток и грамматических ошибок. Можно быстро создавать различные версии фишинговых писем, делая генеративный искусственный интеллект прекрасным партнером для совершения мошенничества. Кроме того, существует ряд инструментов для темного веба, таких как FraudGPT, которые могут использовать генеративный искусственный интеллект для киберпреступлений.

Генеративный искусственный интеллект также может быть использован для финансового вреда в системах голосовой аутентификации. Некоторые банки используют голосовую аутентификацию для авторизации пользователей. Голос клиента банка может быть склонирован с помощью технологии глубокой фейковой подмены, если злоумышленник получит образцы голоса в попытке проникнуть в такие системы. Голосовые данные могут быть собраны при помощи спам-звонков, с которыми пытаются вынудить собеседника ответить голосом.

Мошенничество с использованием чат-ботов является настолько серьезной проблемой, что Федеральная торговая комиссия США выразила свою озабоченность в связи с использованием LLM и других технологий для имитации человеческого поведения в deep fake видео и голосовых клонов, применяемых при мошенничестве и финансовых мошенничествах.

Как генеративный искусственный интеллект борется с неправомерным использованием и обнаружением мошенничества?

При проведении проверки на мошенничество существует мощный новый инструмент. Работники, занимающиеся ручной проверкой на мошенничество, могут получить помощь от ассистентов, основанных на LLM и работающих на бэкенде, чтобы использовать информацию из политических документов, которая поможет ускорить принятие решений о том, являются ли дела мошенническими, значительно ускоряя процесс.

LLM используются для прогнозирования следующей транзакции клиента, что может помочь платежным компаниям заблаговременно оценить риски и блокировать мошеннические транзакции.

Генеративный искусственный интеллект также помогает бороться с мошенничеством при проведении транзакций, улучшает точность, генерирует отчеты, сокращает расследования и снижает риск соблюдения правил.

Генерирование синтетических данных является еще одним важным применением генеративного искусственного интеллекта для предотвращения мошенничества. Синтетические данные могут улучшить количество записей данных, используемых для обучения моделей обнаружения мошенничества, и увеличить разнообразие и сложность примеров, обучая искусственный интеллект распознавать последние техники, используемые мошенниками.

NVIDIA предлагает инструменты, которые помогают предприятиям использовать генеративный искусственный интеллект для создания чат-ботов и виртуальных агентов с использованием рабочего процесса, использующего модели для поиска информации с помощью промптов на естественном языке.

Использование рабочих процессов NVIDIA AI может помочь ускорить создание и внедрение возможностей предприятия высокого уровня для точного формирования ответов на различные случаи использования с использованием основных моделей, фреймворка NVIDIA NeMo, NVIDIA Triton Inference Server и ускоренной GPU-векторной базы данных для развертывания чат-ботов, управляемых RAG.

В отрасли существует фокус на безопасности, чтобы обеспечить невозможность нежелательного использования генеративного искусственного интеллекта. NVIDIA выпустила страховые решения NeMo, которые помогают обеспечить точность, соответствие теме и безопасность интеллектуальных приложений, работающих на основе LLM, таких как ChatGPT от OpenAI.

Это программное обеспечение с открытым исходным кодом разработано для предотвращения злоупотреблений и мошенничества с использованием искусственного интеллекта.

Каковы преимущества использования искусственного интеллекта для обнаружения мошенничества?

Обнаружение мошенничества является проблемой в сферах банковского дела, финансов, розничных продаж и электронной коммерции. Мошенничество наносит не только финансовый ущерб организациям, но также может повредить их репутацию.

Это также головная боль для потребителей, когда финансовые учреждения неправомерно отклоняют законные транзакции, считая их ложноположительными.

Поэтому финансовые секторы разрабатывают более совершенные модели, используя больше данных, чтобы защитить себя от финансовых и репутационных потерь. Они также стремятся уменьшить число ложноположительных результатов в обнаружении мошенничества, чтобы улучшить удовлетворенность клиентов и увеличить долю среди продавцов.

Финансовые учреждения признают преимущества использования искусственного интеллекта для проверки личности

Финансовая отрасль разрабатывает искусственный интеллект для проверки личности. Приложения, работающие на базе искусственного интеллекта с использованием глубокого обучения с графовыми нейронными сетями (GNN), обработкой естественного языка (NLP) и компьютерным зрением могут улучшить проверку личности для требований “Знай своего клиента” (KYC) и противодействия отмыванию денег (AML), что ведет к улучшению регуляторного соответствия и снижению затрат.

Компьютерное зрение анализирует документацию, такую как водительские удостоверения и паспорта, чтобы обнаруживать подделки. В то же время, обработка естественного языка анализирует документы для проверки достоверности данных на них, а искусственный интеллект анализирует их в поисках поддельных записей.

Улучшение KYC и AML требований имеет значительные регуляторные и экономические последствия. Финансовые учреждения, включая банки, были оштрафованы почти на $5 миллиардов за AML, нарушение санкций, а также сбои в системах KYC в 2022 году, согласно Financial Times.

Использование графовых нейронных сетей и NVIDIA GPUs

GNN были приняты за их способность выявлять подозрительную активность. Они способны анализировать миллиарды записей и выявлять ранее неизвестные образцы активности для установления связей между транзакцией на счете и подозрительным счетом.

NVIDIA сотрудничает с командой Deep Graph Library и командой PyTorch Geometric, предлагая контейнеризованное решение фреймворк GNN, которое включает последние обновления, библиотеки NVIDIA RAPIDS и многое другое, чтобы пользователи всегда были в курсе последних технологических достижений.

Эти контейнеры фреймворка GNN оптимизированы и настроены для эффективного использования графических процессоров NVIDIA.

С доступом к программной платформе NVIDIA AI Enterprise разработчики могут использовать NVIDIA RAPIDS, NVIDIA Triton Inference Server и набор инструментов разработчика ПО NVIDIA TensorRT для поддержки масштабирования предприятий.

Улучшение обнаружения аномалий с помощью GNN

Мошенники используют сложные техники и могут научиться обходить системы обнаружения мошенничества. Одним способом является использование сложных цепей транзакций для избежания обнаружения. Традиционные системы на основе правил могут упускать образцы и не справляться с этим.

Графовые нейронные сети основаны на концепции строения модели в представлении локальной структуры и контекста особенностей. Информация о связях и свойствах узлов передается с помощью агрегации и передачи сообщений между соседними узлами.

Когда GNN выполняет несколько слоев графовых сверток, конечные состояния узлов содержат информацию из узлов, находящихся на несколько уровней вглубь. Более широкое поле восприятия GNN может отслеживать более сложные и длинные цепи транзакций, используемые мошенниками для затруднения их выявления.

GNN позволяет проводить обучение без учителя или самообучение

Обнаружение шаблонов финансовых мошенничеств в масштабе больших данных стало вызовом из-за десятков терабайтов данных о транзакциях, которые необходимо проанализировать в одно мгновение, и относительного отсутствия размеченных данных о реальной мошеннической активности, необходимых для обучения моделей.

Хотя GNN могут расширить сеть обнаружения шаблонов мошенничества, они также могут тренироваться на неконтролируемой или самостоятельной задаче.

Используя такие техники, как “Bootstrapped Graph Latents” – метод обучения представлений графов, или предсказание связей с отрицательной выборкой, разработчики GNN могут предварительно обучать модели без меток и настраивать модели с гораздо меньшим количеством меток, создавая надежные графические представления. Полученные результаты могут использоваться для моделей, таких как XGBoost, GNN или техники кластеризации, предлагая лучшие результаты при развертывании для вывода.

Решение проблемы объяснимости модели и предвзятости

GNN также обеспечивают объяснимость модели с помощью комплекта инструментов. Объяснимый искусственный интеллект – это отраслевая практика, позволяющая организациям использовать такие инструменты и методы для объяснения того, как модели искусственного интеллекта принимают решения, позволяя им защититься от предвзятости.

Гетерогенный трансформер графов и графовая сеть внимания, которые являются моделями GNN, позволяют механизмам внимания на каждом уровне GNN идентифицировать пути сообщений, которые GNN использует для получения конечного результата.

Даже без механизма внимания, были предложены такие техники, как “GNNExplainer”, “PGExplainer” и “GraphMask” для объяснения выводов GNN.

Ведущие финансовые учреждения внедряют ИИ для получения преимуществ

• American Express: Улучшил точность обнаружения мошенничества на 6% с помощью моделей глубокого обучения и использовал NVIDIA TensorRT на сервере вывода NVIDIA Triton.

• BNY Mellon: Bank of New York Mellon повысил точность обнаружения мошенничества на 20% с помощью федеративного обучения. BNY Mellon построил совместную инфраструктуру обнаружения мошенничества, которая работает на системах NVIDIA DGX и использует безопасные вычисления между несколькими сторонами от Inpher.

• PayPal: PayPal искал новую систему обнаружения мошенничества, которая могла бы работать непрерывно по всему миру, чтобы защитить транзакции клиентов от потенциального мошенничества в режиме реального времени. Компания достигла нового уровня обслуживания, используя вывод, основанный на графическом процессоре NVIDIA, чтобы повысить обнаружение мошенничества в режиме реального времени на 10%, снизив при этом емкость сервера почти в 8 раз.
• Swedbank: Одна из крупнейших банков Швеции, Swedbank, обучала модели, основанные на графических процессорах NVIDIA, для обнаружения подозрительной деятельности в целях прекращения мошенничества и отмывания денег, сэкономив $150 миллионов за один год.

Узнайте, как NVIDIA AI Enterprise решает проблему обнаружения мошенничества на этом вебинаре.