针对欺诈的无监督方法很难在内部构建，因为它需要同时处理数十亿个事件，且目前没有能即插即用的有效无监督模型。然而，有些公司在这一领域已取得了长足进步。
它能够用于反欺诈的原因就是它可以剖析欺诈攻击。正常的用户行为是混乱的，但是欺诈者有固定的工作模式，不管他们是否已经意识到了这点。他们以一定的规模快速工作。一个欺诈者不会试着去从一个在线服务中一下骗取十万美元。他们宁愿从成千上万的账户中分别骗取几分到几美元。但是这些活动会不可避免地创建出模式来，非监督机器学习可以侦查到它们。
使用非监督机器学习的主要好处：
1.你可以更早地发现新的攻击模式
2.掌控所有的账户，打断欺诈者骗钱的途径
3.误报的概率减少很多，因为你在做出侦查决定前已经收集了很多信息
组合拳出击
每个方法都有优点和缺点，而我们可以从各个方法中受益。规则和信誉列表方法在不需要人工智能的情况下，可以廉价并快速执行，但是它需要不断更新，并且只能阻拦最缺乏经验的欺诈者。监督机器学习已经成为了一个即插即用的技术，它能够考虑所有的单个账户的所有属性或事件，但它并不能发现新的攻击模式。无监督机器学习是新一代技术，它可以发现新的攻击模式、识别和一次攻击有关的所有账户以及提供一个完整的全局视图；而另一方面，它在阻拦个人欺诈者的低等级攻击上并不是很高效，并且很难在内部执行。不过，对于那些希望阻拦大规模或不断进行的攻击的公司来说，它当然还是首眩
一个健全的欺诈侦查系统一般都同时使用了这三种人工智能方法来反欺诈。如果合理地同时使用它们，我们可以对每一个方法都扬长避短。
人工智能在侦查欺诈领域将会继续进步，最终会远远超出上述的已发明的技术。我们很难去把握下一个前沿。不过有一件事是确定的，那就是犯罪分子也会道高一尺、魔高一丈。使用人工智能去侦查犯罪和使用人工智能去隐藏罪行之间的竞赛，还会继续进行下去。
翻译来自：虫洞翻翻 译者ID：盖里君 编辑：郝鹏程
登陆|注册欢迎登陆本站，认识更多朋友，获得更多精彩内容推荐！