西部野蛮时代有枪手、抢劫银行和悬赏–而今日数字时代有身份盗窃、信用卡欺诈和退款。
利用金融诈骗赚钱已成为一项数十亿美元的犯罪活动。而诈骗者手中的生成式人工智能只会使这种盈利更加丰厚。
根据《尼尔森报告》，全球信用卡损失预计将在2026年达到430亿美元。
金融诈骗以越来越多的方式进行，比如从暗网窃取被黑客攻击的数据实施信用卡盗窃，利用生成式人工智能进行钓鱼式获取个人信息，并在加密货币、数字钱包和法定货币之间洗钱。还有许多其他金融诈骗计划潜伏在数字黑社会。
为了跟上步伐，金融服务公司正在利用人工智能进行诈骗检测。这是因为许多数字犯罪需要及时阻止，以便消费者和金融公司能够立即停止损失。
那么人工智能如何用于诈骗检测呢？
人工智能用于诈骗检测使用多个机器学习模型来检测客户行为和联系的异常，以及符合欺诈特征的账户和行为模式。
生成式人工智能可以用作诈骗辅助
金融服务中很多内容涉及文本和数字。生成式人工智能和大型语言模型（LLMs）能够学习意义和背景，承诺在各行各业带来颠覆性的能力和生产力水平。金融服务公司可以利用生成式人工智能开发更智能、更有能力的聊天机器人，并改进诈骗检测。
而反派角色可以通过狡猾的生成式人工智能提示来绕过人工智能保障，用于欺诈。而且大型语言模型正在提供类似人类写作的能力，使诈骗分子能够撰写更具上下文相关的电子邮件，而无需拼写错误和语法错误。可以快速创建许多不同版本的钓鱼邮件，使生成式人工智能成为实施欺诈的绝佳副驾驶员。还有许多诸如FraudGPT之类的暗网工具，可以利用生成式人工智能进行网络犯罪。
生成式人工智能也可以用于声音认证安全措施的金融损害。一些银行正在使用声音认证来帮助授权用户。如果攻击者能够获取声音样本，他们可以使用深度伪造技术克隆银行客户的声音，试图突破这些系统。声音数据可以通过试图引诱通话接收者通过声音作出回应的垃圾电话来收集。
聊天机器人诈骗问题如此严重，以至于美国联邦贸易委员会提出了有关使用大型语言模型和其他技术模拟人类行为，用于伪造视频和声音克隆的关注和担忧。
生成式人工智能如何解决滥用和诈骗检测问题？
诈骗审查现在有强大的新工具。处理手动诈骗审查的工作人员可以通过在后端运行基于LLM的助手，利用来自政策文件的信息来加速决策，判断案件是否属于欺诈，从而大大加快处理过程。
大型语言模型被采用来预测客户的下一笔交易，这有助于支付公司预先评估风险并阻止欺诈交易。
生成式人工智能还通过提高准确性、生成报告、减少调查和降低合规风险来帮助打击交易诈骗。
生成合成数据是生成式人工智能用于欺诈预防的另一个重要应用。合成数据可以提高用于训练诈骗检测模型的数据记录数量，增加示例的多样性和复杂性，使人工智能能够识别欺诈者使用的最新技术。
NVIDIA提供了帮助企业采用生成式人工智能构建聊天机器人和虚拟代理的工具，使用了检索增强生成技术。检索增强生成使公司能够利用自然语言提示来访问大量数据集进行信息检索。
利用NVIDIA的人工智能工作流程可以帮助加速构建和部署适用于各种用例的企业级能力，使用基础模型、NVIDIA NeMo框架、NVIDIA Triton推理服务器和GPU加速矢量数据库来部署检索增强生成技术的聊天机器人。
行业专注于安全，以确保生成型人工智能不易被滥用造成伤害。NVIDIA发布了NeMo Guardrails，以帮助确保基于LLMs的智能应用（如OpenAI的ChatGPT）的准确性、适当性、主题相关性和安全性。
该开源软件旨在防止滥用人工智能驱动的应用程序进行欺诈和其他不当使用。
人工智能在识别欺诈方面的好处是什么？
在银行、金融、零售和电子商务等领域，欺诈检测一直是一个挑战。欺诈不仅对组织造成财务损失，还会造成声誉损害。
对于消费者来说，当金融服务公司的欺诈模型过度反应并注册关闭合法交易的误报时，这也是一个头疼的问题。
因此，金融服务部门正在开发更先进的模型，使用更多的数据来加强自身在财务和声誉损失方面的防范。他们还致力于减少欺诈检测中的误报，以提高客户满意度并在商户中赢得更大的份额。
金融服务机构采用人工智能进行身份验证
金融服务行业正在开发用于身份验证的人工智能。利用图神经网络（GNNs）、自然语言处理（NLP）和计算机视觉等深度学习驱动应用程序，可以改善了解客户（KYC）和反洗钱（AML）要求方面的身份验证，从而提高监管合规性并降低成本。
计算机视觉分析诸如驾驶执照和护照之类的照片文件，以识别伪造品。与此同时，NLP读取文件以测量文件上的数据的真实性，而人工智能则分析这些数据以寻找欺诈记录。
在KYC和AML要求方面取得的进展具有重大的监管和经济影响。2022年，金融机构（包括银行）因AML、违反制裁以及KYC系统故障而被罚款近50亿美元，根据《金融时报》。
利用图神经网络和NVIDIA GPUs
GNNs已经得到广泛应用，因其能够揭示可疑活动。它们能够查看数十亿条记录，并识别以前未知的活动模式，以推断一个账户是否曾向可疑账户发送过交易。
NVIDIA与Deep Graph Library团队以及PyTorch Geometric团队有合作关系，提供了一个包含最新更新的GNN框架容器化解决方案，其中包括NVIDIA RAPIDS库等，帮助用户跟上尖端技术。
这些GNN框架容器经过了NVIDIA优化和性能调整，并经过测试以充分利用NVIDIA GPU的潜力。
通过访问NVIDIA AI Enterprise软件平台，开发人员可以利用NVIDIA RAPIDS、NVIDIA Triton Inference Server和NVIDIA TensorRT软件开发工具包，以支持大规模的企业部署。
利用GNNs改进异常检测
欺诈分子具有复杂的技术，可以学会如何规避欺诈检测系统。其中一种方法是通过释放复杂的交易链来避免被察觉。而传统的基于规则的系统可能会错过这些模式并失效。
GNNs建立在模型的本地结构和特征上下文的表示概念之上。边缘和节点特征的信息通过邻居节点之间的聚合和消息传递进行传播。
当GNNs运行多层图卷积时，最终的节点状态包含来自多跳节点的信息。GNNs具有更大的感受野，可以追踪金融欺诈犯罪者用于掩盖其行踪的更复杂和更长的交易链。
GNNs支持无监督或自监督训练
在海量数据中检测金融欺诈模式面临着巨大的挑战，需要在眨眼之间分析十几TB的交易数据，同时相对缺乏用于训练模型的真实欺诈活动的标记数据。
虽然GNN可以对欺诈模式进行更广泛的检测，但它们也可以在无监督或自监督任务上进行训练。
通过使用诸如Bootstrapped Graph Latents（一种图表示学习方法）或使用负采样进行链接预测等技术，GNN开发人员可以在没有标签的情况下预训练模型，并使用更少的标签进行微调，从而产生强大的图形表示。这样产生的输出可以用于XGBoost、GNN或聚类技术等模型，在推理过程中获得更好的结果。
处理模型解释性和偏见
GNN还可以通过一套工具实现模型解释性。解释性AI是一种行业实践，使组织能够使用这些工具和技术解释AI模型的决策过程，从而防止偏见。
异质图转换器和图注意力网络是GNN模型，它们可以在GNN的每一层上启用注意机制，使开发人员能够识别GNN用于达到最终输出的消息路径。
即使没有注意机制，也可以使用GNNExplainer、PGExplainer和GraphMask等技术来解释GNN输出。
领先的金融服务公司采用AI获益
- 美国运通：通过深度学习模型提高了6%的欺诈检测准确性，并在NVIDIA Triton Inference Server上使用了NVIDIA TensorRT。
- 纽约梅隆银行：通过联邦学习将欺诈检测准确性提高了20%。BNY构建了一个协作式欺诈检测框架，运行Inpher的安全多方计算，在NVIDIA DGX系统上保护第三方数据。
- PayPal：PayPal正在寻求一种能够持续全球运营以实时保护客户交易免受潜在欺诈的新型欺诈检测系统。该公司采用NVIDIA GPU加速推理技术，将实时欺诈检测提高了10%，同时将服务器容量降低了近8倍。
- 瑞典斯威银行： 作为瑞典最大的银行之一，斯威银行使用NVIDIA GPU驱动的生成对抗网络来检测可疑活动，以阻止欺诈和洗钱行为，在一年内节省了1.5亿美元。
了解NVIDIA AI Enterprise在欺诈检测中的应用，请参加此网络研讨会。