靠AI扮演壞人來練兵！SAS揭露用GAN設計金融防詐欺模型的新作法

銀行經常得蒐集各種詐欺事件和案例，來建立各種防詐欺風險控管機制，老牌數據分析公司SAS日前揭露了一個AI風險警示設計架構，將機器學習、社群網路分析和視覺化分析等新興技術應用到金融預防詐欺上。

在這個架構中，先匯入各種資料（包括歷史資料）後，以業務規則和AI模型進行風險評分，每一個模型或規則，都以高、中、低、無風險等4等級來評分，再綜合成一個風險程度，再透過來設定哪一種程度的風險要發出疑似詐欺的警示。接著，可利用社群網路分析來進行案件調查，不只可用來分析個案與歷史資料的關聯，還容易依時序來顯示關聯案件如何形成，而非只針對單一交易案件。最後，可搭配視覺化機制來呈現是否為詐欺案件的判斷結果，並將結果回饋至風險評分機制，搭配適應性學習（Adaptive Learning）來調校規則。

SAS AI機器學習副總裁Saratendu Sethi來臺時，更進一步揭露了一個用生成對抗網路（GAN）來設計防詐欺模型的新作法。Saratendu Sethi解釋，首先產生一個仿真的詐欺案件，透過競爭機制來判斷真偽，來訓練出更強防詐欺能力的AI風險模型。就像是用AI扮演壞人來練兵一樣的作法。

雖然GAN最耳熟能詳的應用是AI畫圖、AI作曲等，不過，Saratendu Sethi表示，GAN的創作能力，用於防詐欺再適合不過，透過生成器來產生仿真的案件資料，再透過鑑別器來判斷真偽。隨著時間推進，生成器產生的案件越來越多樣、逼真，可以彌補詐欺案件資料不足的問題，而鑑別器判斷能力也會越來越強，可用來應付層出不窮的詐欺新手法，「金融業、電信業、醫療業，還是零售、政府或資安等領域都可採用GAN。」

另一方面，SAS解決方案經理韋俊宏補充，詐欺屬於小樣本事件，再加上近年詐騙手法層出不窮，傳統對抗方法的效果越來越差，他以銀行防洗錢（AML）機制來說，過去多採規則式演算法，行為模式難以分群，往往導致許多顧客都符合警示條件，系統會「不斷跳出警示」，導致人工複查的工作量大增。機器學習則可用小樣本就能區隔客群和行為模式，更精準地揪出可疑案例。

其中一個例子是，利用自然語言處理（NLP）來輔助金融詐欺快篩。當銀行出現新客戶辦理借貸等業務時，銀行業者需比對新聞資料庫的申請人負面新聞，以判斷是否為潛在詐欺戶。NLP可在數秒內分析上萬筆媒體平臺文件，將關鍵訊息（如申請人姓名、新聞事件時間、地點、事項等）抽取出來，利用自然語言生成（NLG）產生一份負面新聞摘要，再由人工審閱，作為防詐快篩。

不只如此，韋俊宏表示，現在還有一項新興的防詐欺技術，就是社群網路分析（Social Network Analysis，簡稱SNA）。社群網路分析原是用來研究社群結構；社群網路由其中的節點（Node）、邊（Edge）和關係連結（Link）組成，再形成圖（Graph）。節點是社群網路中的參與者，可以是人、事、物，邊則用來表示節點之間的關係，而社群網路分析可圖解各節點的關聯，以及這些關聯在時序上的改變。

此外，社群網路分析還可補足機器學習只能從單筆交易中找目標（Target）的缺陷。也因為這個特性，社群網路分析也成了近年來因應組織性詐欺的新方法。以金融詐欺來說，社群網路可用來分析客戶和組織的關聯，比如節點就是客戶或組織，而連結可以是基本資料，像是地址、電話、親屬關係，或是如轉帳、業務、保單理賠等交易行為。要是銀行或保險公司系統中出現可疑案件，系統會將這筆新資料與歷史資料比對，找出關聯性，以判斷是否為組織性詐欺。由於社群網路分析擅長分析組織間的關聯，因此，還適用於偵測政府逃漏稅、醫療健保申請等組織型詐欺案例。文◎王若樸