AI 构建者可以从运行于 300 毫秒的欺诈模型中学到什么

Source: VentureBeat

欺诈防护是一场与规模的赛跑。例如，万事达（Mastercard）的网络每年处理约 1600 亿笔交易，在高峰期（如十二月的假日购物潮）会出现每秒 70,000 笔交易的激增。在这些交易中找出欺诈性购买——且不被误报所困——是一项艰巨任务，这也是欺诈者能够钻系统空子的原因。

如今，先进的 AI 模型能够对单笔交易进行深入分析，在毫秒级别内 pinpoint（定位）出看似可疑的交易。这正是万事达旗舰欺诈平台 Decision Intelligence Pro（DI Pro）的核心。

“DI Pro 专门针对每笔交易及其相关风险进行评估，” 万事达安全解决方案执行副总裁 Johan Gerber 在最近的 VB Beyond the Pilot 播客中表示。 “我们要解决的根本问题是实时评估。”

DI Pro 的工作原理

万事达的 DI Pro 为低延迟和高速而构建。从消费者刷卡或点击“购买”的那一刻起，交易就会经过万事达的编排层、回到网络，然后传递给发卡行——通常在 300 ms 以内完成。

发卡行负责批准或拒绝的决定，但该决定的质量取决于万事达能否提供精准、情境化的风险评分，以判断交易是否可能是欺诈。DI Pro 并非单纯寻找异常，而是寻找与消费者正常行为相似的交易。

逆向推荐器架构

DI Pro 的核心是一种循环神经网络（RNN），万事达称之为 “逆向推荐器” 架构。这把欺诈检测视为推荐问题；RNN 执行模式补全任务，以识别商家之间的关联。

“这里是他们以前去过的地方，这里是他们现在所在的地方。这对他们来说合理吗？我们会向他们推荐这家商家吗？” – Johan Gerber

万事达数据科学高级副总裁 Chris Merz 将欺诈问题拆分为两个子组件：用户的行为模式和欺诈者的行为模式。 “我们正在尝试把这两者区分开，” 他解释道。

数据主权

万事达通过使用聚合的、完全匿名 数据来解决数据主权问题，这类数据不受隐私法规的限制。这样，欺诈团队可以在全球范围内共享数据，同时保持“本土化”。

“因此你仍然可以让全球模式影响每一个本地决策，” Gerber 说。 “我们把一年的知识压缩到单笔交易的 50 ms 中，以判断是好是坏。”

反向欺诈者

虽然 AI 帮助了万事达等金融公司，但它同样也帮助了欺诈者，使其能够快速研发新技术并发现新的利用渠道。万事达通过在欺诈者的领域进行反击来应对。

一种策略是使用 蜜罐——为捕获威胁行为者而构建的人工环境。当攻击者误以为找到了合法目标时，AI 代理与其交互，试图获取用于转移资金的“马仔”账户。这种方法变得“极其强大”，因为防御方可以运用图技术来确定马仔账户与合法账户的连接方式和位置。

“当我们把战斗带到他们面前时，这是一件美好的事，因为他们本身已经给我们带来了足够的痛苦，” Gerber 说。

通过识别与马仔账户相连的合法账户——有时深达十层——防御者能够绘制全球欺诈网络图，并更有效地予以破坏。