AI驱动的欺诈检测：银行如何最终战胜金融犯罪

各大银行现在部署图神经网络，在交易清算前发现欺诈团伙。这些系统将实时交易评分与在标记损失数据上训练的监督分类模型相结合。

收益出现在几家大型机构的损失报告中。在非面对面卡和账户接管案件中，减少幅度在40%到60%之间。

银行欺诈系统发生了什么变化

银行从规则引擎和基本逻辑回归转向图神经网络。新模型将每个账户、设备和商户视为节点，通过代表转账、登录和设备共享的边连接。

当交易进入网络时，模型在毫秒内根据已知欺诈模式对其进行评分。

这一转变在2025年底开始大规模推出，此前云提供商使图训练更快、更便宜。

为什么损失下降如此之快

仅靠监督分类会错过新的欺诈模式，因为标记数据总是滞后。仅靠异常检测会产生太多误报，让客户感到沮丧。

图神经网络通过学习跨账户的关系特征解决了这两个问题。Featurespace、Sardine 和 DataVisor 今天向银行提供这些模型的生产版本。

同样的供应商现在添加了实时流处理层，在授权窗口内更新分数。

对抗性AI欺诈如何出现

欺诈团伙通过运行探测决策边界的小额交易来测试模型。他们还从暗网市场购买被盗设备指纹，并在账户间轮换使用。

一些行为者训练自己的轻量级模型来预测哪些组合能通过银行评分。

银行通过在新的标记案例上持续重新训练模型以及在验证期间进行对抗性鲁棒性检查来应对。

银行仍面临的权衡

更快的评分增加了阻止合法旅行或大额购买的风险。消费者渠道的误报率必须保持在0.1%以下。

图模型还需要干净的图构建管道；缺失的边会削弱检测质量。

因此，供应商将模型与人工审核队列配对，用于边缘案例。

观察者接下来将关注什么

监管机构可能会要求模型审计日志，解释为什么某些交易被阻止。银行将在未来六个月的季度报告中发布更新的损失数字。

如果新的公开欺诈数据集可用，供应商将在其上发布基准结果。

报告的减少百分比的任何下降都将表明欺诈行为者找到了新的规避方法。