为什么要起草企业AI来打击刺激欺诈的原因

如果没有企业AI方法，检察官会在联邦政府的“薪水保护计划”中发现欺诈行为，他们承认有太多骗局无法计数，更不用说制止了。有组织企图减少CARES法案中的紧急开支。刺激计划的规则在不断变化，这使得很难知道谁应该和不应该获得该融资或他们应该如何使用它。

这听起来像是企业人工智能的工作，银行的确在寻求帮助。但是，什么可以打消刺激欺诈的资格，又能起到什么作用呢？如果可行的话。

规则引擎在海浪下打滑

显然，通常被称为机器学习，有时被称为人工智能的通用方法无法满足当今刺激性的反欺诈需求。

一家银行的反欺诈官员已经在其系统中添加了新规则，以标记看起来可疑的活动，通常是基于过期的政府执法数据。他们引入了聚会和帐户级别监控。他们已尽可能频繁地调整系统。但是，在大量刺激计划检查的压力下，他们积压的警报不断增加，调查人员疲惫不堪，风险不断升级。

由于存在大量假阳性，风险管理人员无法识别假阴性。例如，这些是最糟糕的，现有的银行客户，他们总是不被关注，但是在刺激计划下放宽了“了解您的客户”规则，他们发挥了自己的优势。

银行官员还努力满足对他们施加的预算成本削减措施，因为其机构试图控制合规成本。这些官员唯一能做的就是尝试再次调整阈值，只是意识到他们再也无法摆脱困境了。作为安全的选择，K-Means聚类不能提供银行职员所需的准确性或提升。

从基础开始

简而言之，反欺诈团队需要更准确的警报，且误报率很少。它为调查人员提供了宝贵的背景信息，因此他们可以专注于最重要的事情，真正的可疑行为。

增强的反欺诈流程可在关键杠杆点上应用情报，以产生更加准确的警报。它分为三个部分。它们是系统优化，新兴行为检测和新实体风险检测。这样，您可以在需要时利用所需的资源。就是说，您只得到改善流程中最薄弱环节所需的东西。

已知已知，未知未知和其他

通过专注于提高发现“已知已知物”的效率来最好地优化系统。关键是优化现有系统以提高各方分割的准确性，并提高定期阈值调整过程的速度，准确性和有效性。

新兴的行为识别应着眼于“未知的已知”并保持系统的相关性。将动态，智能调整和可见性引入到您的过程中的新出现的行为中，并淘汰那些成本高昂，麻烦且立即过时的定期项目。

新的实体风险检测意味着发现以前从未或未曾考虑过的新的“未知未知”净风险和漏洞。识别并警惕新的风险。不仅在贷款级别，帐户或客户上，而且在任何情况下，任何一方或任何等级中，都不仅用于阻止欺诈，而且还用于网络，监视，行为，贩运，流动性敞口，信用风险等。

细分成功

欺诈检测中的假阳性问题主要是由于输入数据的分割不正确造成的。甚至使用机器学习来检测欺诈的复杂金融服务机构也可能遭受准确性低和误报率高的困扰。这是因为开放源代码的机器学习技术会大量分析数据，并且无法获得足够具体的信息以正确显示真实的可疑行为。

典型的细分过程会产生不均匀的群体，这意味着必须人为地将阈值设置为低，从而导致大量误报。智能分段是系统准确检测可疑模式而无需不必要地标记预期模式的关键的第一步。当机构仅使用预定规则对静态帐户信息进行排序时，该过程就无法实现。

良好的企业AI方法应吸收有关客户，交易对手和交易的最大数量和可用的数据，然后应用客观的机器学习来创建尽可能细化和最新的细分。鉴于拓扑数据分析具有处理多个变量的能力，它也许是实现此目的的最佳工具之一，但即使在人工智能领域，它也不是众所周知的。

关键点在于，企业级反欺诈AI必须能够随着时间的推移，根据其真实交易和真实相互关系中所揭示的实际行为，将各方分配给细分市场，并将其重新分配给细分市场。智能的细分过程应提供更细粒度和统一的组，从而导致更高的阈值和更少的误报。另外，这些细粒度的组应该捕获假阴性。

派息

数据和适当的企业AI可以回答的未知问题也将创造新的机会和增长领域。高性能企业级AI缩短了产生见解，与数据集一起增长，自动且无偏差地进行探索，将新数据合并到较早的分析中所花费的时间，并且实际上可以降低硬件成本。

银行客户一开始不一定会欣赏这些辅助机器学习的好处。它们是帮助管理人员检测和跟踪欺诈模式的措施，而不是营销工具。但是它们可以提供获胜的见解和防御性警报，从而保护公司的品牌，公共关系和形象。