Kadangi finansinės sistemos visame pasaulyje tampa vis labiau skaitmeninės ir tarpusavyje susijusios, finansinių sukčiavimų sudėtingumas ir mastas taip pat pasiekė precedento neturinčius lygius.Su naujų technologijų atsiradimu, kibernetiniai nusikaltėliai išplėtė savo žaidimą, kad apeitų tradicines sukčiavimo aptikimo sistemas. Reaguodamas į šią pasaulinę krizę, AI ekspertas Pallav Kumar Kaulwar paskelbė savo įžvalgų tyrimą, pabrėžiantį sukčiavimo aptikimo vaidmenį. Realaus laiko sukčiavimo aptikimo sistemų tobulinimas, kad jos būtų protingesnės, greitesnės ir labiau nuspėjamos. Generalinė AI Generalinė AI Jo paskelbtas straipsnis „Generacinis AI finansų žvalgyboje: atskleisti jo potencialą rizikos vertinimo ir atitikties“ paaiškina, kaip besiformuojančios finansinės grėsmės gali būti imituojamos, aptiktos ir neutralizuojamos giliai mokymosi architektūros, tokios kaip GAN (Generative Adversarial Networks), Bayesian neuroninių tinklų ir variacijos automatinių kodų. Naujas požiūris į sukčiavimo aptikimą Kiekvienais metais finansiniai sukčiavimai visame pasaulyje praranda milijardus dolerių.Deja, tradiciniai aptikimo metodai nesugebėjo išlaikyti šio augančio susirūpinimo. taisyklėmis pagrįsti varikliai, kurie remiasi fiksuotomis ribomis ir istoriniais sukčiavimo parašais, šiandienos technologiškai gudriems elektroniniams nusikaltėliams neatitinka. Savo tyrimuose Kaulwar nustatė keletą tradicinių sukčiavimo aptikimo modelių apribojimų. Svarbiausia, statines taisykles gali lengvai apeiti sukčiai, kurie nuolat tobulina savo metodus su kiekvienu pažeidimu. Be to, nors prižiūrimi mokymosi modeliai yra galingi, jiems reikia didelių etiketėmis paženklintų duomenų rinkinių, kuriuos sunku rasti naujiems sukčiavimo tipams. „Pramonei reikia perėjimo nuo reakcijos prie prognozavimo“, – sako Kaulwaras. „Šiandienos sukčiavimo aptikimas turi būti dinamiškas, turtingas duomenimis ir sugebėti identifikuoti naujus modelius, kai jie atsiranda, kol jie sustiprės į didelio masto pažeidimus.“ Kaulwar mano, kad generuojamojo AI gebėjimas kurti, imituoti ir išbandyti platų scenarijų spektrą gali pakeisti žaidimą šiame kontekste. Enhancing Financial Surveillance with Generative AI Skirtingai nuo tradicinės analitikos, generuojamasis AI turi galimybę generuoti sintetinius duomenis, atspindinčius realaus pasaulio finansinį elgesį. Todėl organizacijos gali kurti tvirtus aptikimo modelius, net jei jos neturi didelių sukčiavimo duomenų rinkinių. Finansinės institucijos gali pasinaudoti tokiais įrankiais kaip GAN, kad imituotų tūkstančius elgesio scenarijų, tapatybės modelius ir sandorių kelius. Naudojantis šiuo požiūriu, Kaulwar sistema sukuria Nustatydami nukrypimus nuo sintetinių normų, šie modeliai gali aptikti anksčiau nematytas grėsmes.Be to, gerinant aptikimo tikslumą, taip pat sumažėja priklausomybė nuo rankinių taisyklių atnaujinimų. fraud detection engines Sukčiavimo aptikimo varikliai Kovos su pinigų plovimu (AML) kontekste nusikaltėlių naudojami sudėtingi sluoksniai ir struktūrizavimo metodai gali būti imituojami generaciniais modeliais. Kai naudojami aptikimo varikliams mokyti, šie modeliai gali padidinti jų jautrumą subtiliems pinigų plovimo signalams. Generaciniai modeliai taip pat gali užkirsti kelią mokėjimų sukčiavimui, sukurdami elgesio biometriką, galinčią identifikuoti sąskaitų perėmimus, pagrįstus sesijos anomalijomis ar klavišų dinamika. Galima realiu laiku atnaujinti generuojančias AI sistemas su naujais sukčiavimo duomenimis, užtikrinant greitą prisitaikymą prie naujų atakų vektorių. Human-in-the-Loop Oversight Vienas iš pagrindinių Kaulwar tyrimų aspektų yra automatizavimo ir žmogaus sprendimo pusiausvyra.Jis teigia, kad, nors AI yra labai svarbus skalavimui ir greičiui, žmogaus priežiūra išlieka būtina etiniam derinimui, valdymui ir kontekstiniam sprendimų priėmimui. Be sukčiavimo aptikimo, finansų įstaigos turėtų paaiškinti, kodėl tam tikras sandoris buvo pažymėtas. jo generacinėse sistemose paaiškinamojo AI (XAI) moduliai pateikia aiškų kiekvieno įspėjimo pagrindimą, sekdami AI modelio sprendimų kelią. Šis dvigubo sluoksnio požiūris yra labai svarbus norint užtikrinti reguliavimo atsparumą. Kiekviena sekundė svarbi sparčiai besikeičiančioje aplinkoje, pvz., Kapitalo rinkoje. Conclusion Kadangi sukčiai dabar tobulina savo taktiką, naudodamiesi pažangiomis technologijomis, finansų įstaigos turi vystytis dar greičiau, kad liktų priekyje. „Kaulwar“ tyrimai suteikia veiksmingą sistemą, leidžiančią kurti pažangias, aktyvias, paaiškinamas ir atsparias sukčiavimo aptikimo sistemas. „Generacinis AI yra svarbus žingsnis į ateitį, kur mašinos ne tik mokosi atpažinti formas ir modelius, bet ir turi savo vaizduotę. „Ši vaizduotė integruojama į mūsų procesus ir kontekstus, užfiksuodama žmogiškąjį potencialą interpretuoti milžiniškus finansinius duomenis, kurie vos buvo išnaudoti.

This story contains new, firsthand information uncovered by the writer.

Šis garso įrašas sukurtas originalia istorijos kalba!

Per ilgai; Skaityti

Download free Tech Leaders Productivity Report!

Realaus laiko sukčiavimo aptikimas naudojant generuojamąjį AI: įžvalgos iš Pallav Kumar Kaulwar tyrimo

About Author

KOMENTARAI

PABAIGTI ŽYMES

ŠIS STRAIPSNIS BUVO PRISTATYMAS

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps