肯睿Cloudera大中華區副總裁 劉汨春

　　在全球金融業中，亞洲金融市場是最活躍且利益豐厚的地區之一。然而，隨之而來的高額利潤同樣吸引了網絡犯罪分子的目光。近期報告顯示，金融業已成為亞洲受攻擊最頻繁的行業。而且，這些攻擊并非僅限于企業層面。2023年上半年，新加坡的詐騙案激增64.5%，主要原因是電商和線上渠道的犯罪活動增多。

　　與此同時，金融詐騙的手段也愈加復雜。最近，一則深度偽造視頻廣告引起廣泛關注。視頻內容是一名新加坡新聞主播采訪埃隆·馬斯克(Elon Musk)。網絡犯罪分子通過操縱兩者的形象和聲音引導用戶投資一個可疑項目。這起事件并非個例。德勤的專家警告，網絡犯罪分子將使用生成式人工智能強化其攻擊手段。中國司法大數據研究院日前發布的《金融反詐最新行動指南》指出，金融詐騙“網絡化”特點顯著，作案手段多變、智能化、高科技化、隱匿性強。那么，出現這種情況的原因是什么?

　　新的在線金融渠道為網絡犯罪分子創造機會

　　亞洲快速的數字化轉型催生了大量在線服務，為消費者提供了更多便利。比如，一些國家允許公民使用本國數字身份證注冊銀行服務、通過金融整合平臺集中管理投資組合等。

　　但這種互聯性為網絡犯罪分子提供了大量機會。一旦獲得某項服務的訪問權限，他們便能竊取大量個人數據。另外，日益普及的生成式AI在線工具也使網絡欺詐行為(例如網絡釣魚)對于普通用戶更具迷惑性。

　　盡管監管部門正通過實施責任共擔框架等法規應對欺詐行為，但對于許多金融機構和私營部門的企業來說，在精準識別和打擊借助AI實施的欺詐行為上遇到的困難和所需資源正日益增加。為了識別欺詐行為，調查人員不得不投入更多資源和時間，深入研究眾多犯罪歷史記錄和實時行為特征。而且每當一種欺詐手段得到有效遏制，犯罪分子就會迅速轉換到另一種攻擊手法。

　　面對高昂的金融反詐成本和日益嚴格的監管法規，金融機構如何才能更好地打擊欺詐行為?

　　基于可信的數據，利用AI和ML(人工智能和機器學習)打擊欺詐行為

　　毋庸置疑的是，借助AI和機器學習(ML)手段可以幫助企業更加智能和實時地發現欺詐跡象和模式，還能幫助調查人員自動進行行為分析、推理和預判，從而降低成本并提高工作效率。如果這些技術能夠在全企業范圍內的各個業務場景得到充分應用，企業的防欺詐能力將得到顯著提升。

　　只有當企業可以采集并且充分利用實時并且可信的各類數據源來訓練模型，并有效識別業務行為特征和趨勢時，才能更有效地運用算法模型打擊欺詐行為。訓練數據集必須盡可能完整且相關，例如，企業應整合可提供行為洞察的數據，除了銀行交易記錄和信用評分之外，語音交互數據、現場視頻記錄、合規采集的線上數據等，都能使算法模型能夠更效識地別欺詐指標。

　　由于整合、清理和準備用于訓練的海量數據需要巨大算力支撐，企業還必須確保擁有支持AI開發工作的配套基礎設施。

　　如果未使用高質量的數據訓練AI和ML工具，調查人員最終得到的可能是AI幻覺和誤報，這不僅浪費時間，還會削弱企業領導人對此類解決方案的信任。

　　頭部金融機構如何運用AI和ML降低欺詐風險

　　許多金融機構正在通過規劃和部署基于現代數據架構的統一數據湖倉等新型數據管理技術來降低欺詐風險。這些技術能夠安全且合規地在不同環境中實時采集、整合、治理和標注數據。而這種做法成功的關鍵在于是否能夠在數據采集、加工、使用的全鏈路中統一內置數據安全和治理能力。

　　為打擊欺詐行為，新加坡頭部銀行大華銀行進行了人員、流程和技術轉型。繼建立企業級數據平臺后，該行重構了更加靈活的業務數據集湖倉和集市。其中風險集市目前處理了來自40多個源系統的數據，涵蓋了客戶信息、賬戶、財務和產品維度等。大華銀行通過在該平臺上開發新的機器學習模型以優化欺詐分析，已將可疑洗錢交易的誤報率降低了40%。

　　為了延續風險數據集市的成功，大華銀行計劃推出一個新的準實時數據集市，目的是推動其反洗錢工作的實時化和智能化，并提升公司整體的數據分析能力。大華銀行相信通過其實時采集的數據和智能平臺，可以進一步利用數據引領人員、流程和技術的下一輪轉型。

　　同樣，擁有2000多萬客戶和4500多家分行的印度第三大私營銀行Axis Bank也已開始使用AI和ML降低欺詐風險。通過使用全企業數據管理平臺，Axis Bank能夠分析其系統中來自多個數據源的750 TB數據，并將這些數據用于信貸和營銷分析以及欺詐檢測。

　　據中國人民銀行支付結算司司長介紹。近年來，中國人民銀行金融系統識別攔截資金能力明顯上升，成功避免大量群眾受騙。月均涉詐單位銀行賬戶數量降幅92%，個人銀行賬戶戶均涉詐金額下降21.7%。2021年，人民銀行新建監測模型1.3萬個，拒絕涉詐可疑交易1.3億筆。

　　如何更有效地利用AI和ML打擊欺詐行為?

　　為了有效打擊欺詐行為，企業必須制定綜合全面的戰略和政策使員工能夠有效利用新工具。以下是企業可以采取的四項措施：

　　建設一體化數據湖倉，整合傳統數倉與算法分析領域的數據管理

　　AI模型必須在相關且完整的數據上進行訓練。企業應使用開放標準和互通的數據格式建立數據管道，確保可以從整個企業的數據源自由地采集、整合、處理數據并將它們移動到訓練數據集。大部分企業目前建設的數據倉庫(或數據湖)是集中的，但是不同的業務部門構建了各自的應用驅動算法平臺，導致從算法團隊角度看不到完整的特征數據集血緣關系，無法量化的判斷其模型算法的基礎數據可信程度。這就需要科技部門在建設新的數據一體化湖倉時，必須把分散的算法數據加工、數據權限管理和相應的算力資源管理都統一考慮在內。

　　優化數據管理實踐，保證AI使用可信數據

　　在整個企業中采集的數據必須干凈， AI模型才能準確洞察欺詐行為。企業應盡快建立數據管理工作組，對員工進行數據管理培訓、定期進行審計、宣傳最佳案例并確保合規，這將確保所用數據的可信并可以直接應用于AI。

　　實時使用數據，使AI能夠應對不斷變化的威脅

　　AI必須實時使用數據來預測威脅。企業應尋求可加快欺詐洞察時間的技術，例如流式分析解決方案，可以讓數據團隊分析出數據從來源到目的地的整體路徑。

　　建設統一的模型管理平臺，更好地協調反欺詐行動

　　廣義的金融反欺詐能力將嵌入多個業務線的大量業務場景，在如何管理和治理跨系統的大量數據流、同時訓練和優化多個模型，相關業務線如何共享策略和經驗，以及在平臺側如何提高算力的利用率方面，企業降低整體成本仍是很大。企業應使用數據管理平臺，使利益相關方能夠簡化、集中并改進指揮與控制，同時還應該使用讓利益相關者能夠預見和管理合規風險的平臺。

　　金融機構需要實時的預測性數據來提前防范欺詐行為

　　預防欺詐是一場“貓鼠游戲”。每當出現一個新的流行數字渠道，金融犯罪分子就會現身并找到實施欺詐的新途徑。雖然犯罪手段和渠道可能會發生變化，但有一點是不變的：實時的數據、豐富AI和ML手段將是幫助金融機構提前防范欺詐的關鍵。