技术指南：如何使用机器学习算法打击欺诈行为

虽然金融机构不断用最新的技术来调整预防犯罪与防止欺诈行为，但欺诈者更是不断的想出新的策略来进行诈骗。由于金融机构有义务不断提高对骗子的防范能力，因此始终保持对犯罪分子的高度警惕，并不断调整技术策略，是金融机构面临的挑战。

与此同时，金融部门正在花费大量的预算、时间和精力来开发或采用更先进的预防欺诈技术。然而，他们还做不到能够像欺诈策略一样迅速适应和改变的技术。

传统上，企业依靠基于规则的算法来阻止欺诈。规则采用了if-else逻辑，可以彻底地检测已知的欺诈模式。尽管规则如果与高级方法结合起来仍然是重要的欺诈预防工具，但它们仅限于已知的模式。对于那些未知的欺诈模式和计划，他们无法适应，也无法有效识别复杂的欺诈技术。

借助机器学习（ML）算法，学习和适应处理的每一位数据，可以在打击欺诈方面产生不错的效果。一个优化设计的人工智能系统不仅能适应新的变化，而且能在不过度适应的情况下发现新的模式，在有效打击欺诈的同时，消除过多的误报。这就是为什么越来越多的行业正在使用机器学习和人工智能来检测和预防欺诈的主要原因。

根据一项调查，80%使用基于人工智能解决方案的欺诈预防专家认为人工智能对欺诈者有效。

然而，现在的问题是找出哪些机器学习ML算法在检测未知欺诈模式方面是有效的。有监督学习还是无监督学习算法更有效？您应该使用哪些ML算法来检测欺诈？

欺诈检测

简单地说，欺诈检测是机器学习自动化从数据中提取已知和未知模式的过程。同时，它还能够识别出获取的数据模式，并将其应用于未知或真实的数据。当新的模式和结果通过反馈回路呈现给系统时，系统也会进行学习和适应。

有监督或无监督的ML模型

在有监督和无监督的学习模型中，学习和适应是不同的。在监督学习中，ML模型试图从已知的数据模式（也称为标记数据）中学习。为了训练一个有监督的ML模型，该算法同时给出了欺诈性和非欺诈性数据记录，并对数据进行了标记。

另一方面，无监督ML算法的工作方式不同。将未标记的数据呈现给模型，模型可以自己学习数据结构。这样，有助于从数据中检测未知模式。

健壮的ML模型的5个要点

要将ML应用于欺诈预防，需要以下组件：

数据：质量数据是建立反欺诈体系的基础。今天，我们可以获得大量的数据量，并且数据已经被认为是21世纪的新货币。要充分发挥这些数据的价值，要充分利用这样一个公式：在数据驱动的人工智能模型中，越来越多的数据等于增加了欺诈检测的准确性。然而，企业面临的主要挑战是拥有一个可以随着数据和复杂性的增加而扩大的人工智能平台。

结论：无论是有监督的还是无监督的单一ML算法都不能单独用于欺诈检测。您需要使用不同的算法或方法，并使用不同的数据样本对它们进行测试，以获得成功。

集成：开发的AI/ML模型中，只有50%的模型能够投放市场，造成了投入和生产的损失。在Hadoop中拥有数据意味着您的模型只能在Hadoop中应用。另一方面，如果您的数据在实时系统中流式传输，则需要一个可以嵌入这些系统的ML算法。这就是为什么必须为您的模型（如api）开发可移植的集成。

持续监控：持续监控是必不可少的，它使ML模型比简单的基于规则的算法更有效。一个良好的持续监测程序可以注册和跟踪ML模型的持续有效性。

实验：欺诈者很聪明，技术变化很快。因此，构建和部署用于欺诈检测的ML模型是不够的。构建一个平台，人工智能科学家可以不断测试和增强基于新技术和数据的ML模型是必要的。

处理欺诈、增强客户体验等

在提供微妙的客户体验的同时发现欺诈者是一门困难的艺术。如果一个组织的系统能够准确地预测和阻止欺诈，但同时又有繁琐的认证措施，那么这个组织很容易失去客户。

除了防止欺诈，人工智能还有很多方法可以改变银行业。无缝的客户体验、移动银行、风险管理和成本降低是人工智能的一些贡献。

结论

不良行为者的策略越来越复杂，因为他们不断采用新方法来利用金融体系。欺诈性交易虽然比例很小，但可能产生深远的后果，并可能造成百万美元的损失。随着人工智能的发展，企业可以采用学习、适应和发现新的欺诈预防模式的系统。

本文由探界科技 行者 编译！