圖片來源: 

攝影/王若樸

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


Advertisement

更多 iThome相關內容