如果沒有企業AI方法，檢察官會在聯邦政府的“薪水保護計劃”中發現欺詐行為，他們承認有太多騙局無法計數，更不用說制止了。有組織企圖減少CARES法案中的緊急開支。刺激計劃的規則在不斷變化，這使得很難知道誰應該和不應該獲得該融資或他們應該如何使用它。

這聽起來像是企業人工智能的工作，銀行的確在尋求幫助。但是，什么可以打消刺激欺詐的資格，又能起到什么作用呢？如果可行的話。

規則引擎在海浪下打滑

顯然，通常被稱為機器學習，有時被稱為人工智能的通用方法無法滿足當今刺激性的反欺詐需求。

一家銀行的反欺詐官員已經在其系統中添加了新規則，以標記看起來可疑的活動，通常是基于過期的政府執法數據。他們引入了聚會和帳戶級別監控。他們已盡可能頻繁地調整系統。但是，在大量刺激計劃檢查的壓力下，他們積壓的警報不斷增加，調查人員疲憊不堪，風險不斷升級。

由于存在大量假陽性，風險管理人員無法識別假陰性。例如，這些是最糟糕的，現有的銀行客戶，他們總是不被關注，但是在刺激計劃下放寬了“了解您的客戶”規則，他們發揮了自己的優勢。

銀行官員還努力滿足對他們施加的預算成本削減措施，因為其機構試圖控制合規成本。這些官員唯一能做的就是嘗試再次調整閾值，只是意識到他們再也無法擺脫困境了。作為安全的選擇，K-Means聚類不能提供銀行職員所需的準確性或提升。

從基礎開始

簡而言之，反欺詐團隊需要更準確的警報，且誤報率很少。它為調查人員提供了寶貴的背景信息，因此他們可以專注于最重要的事情，真正的可疑行為。

增強的反欺詐流程可在關鍵杠桿點上應用情報，以產生更加準確的警報。它分為三個部分。它們是系統優化，新興行為檢測和新實體風險檢測。這樣，您可以在需要時利用所需的資源。就是說，您只得到改善流程中最薄弱環節所需的東西。

已知已知，未知未知和其他

通過專注于提高發現“已知已知物”的效率來最好地優化系統。關鍵是優化現有系統以提高各方分割的準確性，并提高定期閾值調整過程的速度，準確性和有效性。

新興的行為識別應著眼于“未知的已知”并保持系統的相關性。將動態，智能調整和可見性引入到您的過程中的新出現的行為中，并淘汰那些成本高昂，麻煩且立即過時的定期項目。

新的實體風險檢測意味著發現以前從未或未曾考慮過的新的“未知未知”凈風險和漏洞。識別并警惕新的風險。不僅在貸款級別，帳戶或客戶上，而且在任何情況下，任何一方或任何等級中，都不僅用于阻止欺詐，而且還用于網絡，監視，行為，販運，流動性敞口，信用風險等。

細分成功

欺詐檢測中的假陽性問題主要是由于輸入數據的分割不正確造成的。甚至使用機器學習來檢測欺詐的復雜金融服務機構也可能遭受準確性低和誤報率高的困擾。這是因為開放源代碼的機器學習技術會大量分析數據，并且無法獲得足夠具體的信息以正確顯示真實的可疑行為。

典型的細分過程會產生不均勻的群體，這意味著必須人為地將閾值設置為低，從而導致大量誤報。智能分段是系統準確檢測可疑模式而無需不必要地標記預期模式的關鍵的第一步。當機構僅使用預定規則對靜態帳戶信息進行排序時，該過程就無法實現。

良好的企業AI方法應吸收有關客戶，交易對手和交易的最大數量和可用的數據，然后應用客觀的機器學習來創建盡可能細化和最新的細分。鑒于拓撲數據分析具有處理多個變量的能力，它也許是實現此目的的最佳工具之一，但即使在人工智能領域，它也不是眾所周知的。

關鍵點在于，企業級反欺詐AI必須能夠隨著時間的推移，根據其真實交易和真實相互關系中所揭示的實際行為，將各方分配給細分市場，并將其重新分配給細分市場。智能的細分過程應提供更細粒度和統一的組，從而導致更高的閾值和更少的誤報。另外，這些細粒度的組應該捕獲假陰性。

派息

數據和適當的企業AI可以回答的未知問題也將創造新的機會和增長領域。高性能企業級AI縮短了產生見解，與數據集一起增長，自動且無偏差地進行探索，將新數據合并到較早的分析中所花費的時間，并且實際上可以降低硬件成本。

銀行客戶一開始不一定會欣賞這些輔助機器學習的好處。它們是幫助管理人員檢測和跟蹤欺詐模式的措施，而不是營銷工具。但是它們可以提供獲勝的見解和防御性警報，從而保護公司的品牌，公共關系和形象。