反欺诈分析在银行业中的AI领域日渐盛行
尽管金融和银行业在保持相对保守，谨慎的方式应对重大破坏方面享有盛誉，但当前对数字化转型，CX优先级划分和数据驱动的自动化的推动已导致了巨大的变化。AI集成就是其中之一。
聊天机器人和CX增强技术很可能是当今的头条新闻，并且可能是未来的尖端技术优先事项，但是就资金而言，目前风险管理和法规遵从性排名第一。根据Emerj 2019年的报告，根据今年的银行业AI报告，仅风险，安全和合规性AI目前就占30亿美元投资的一半以上。
人工智能在金融领域的欺诈检测和网络安全
在从事金融业务的AI 供应商筹集的资金中，有26％的份额是欺诈保护和网络安全，是银行和金融领域与风险相关的AI和ML的当前最大使用和采用机会。
普华永道（Pwc）的《 2018年全球经济犯罪和欺诈调查》指出，有49％的受访组织在过去24个月内经历了欺诈行为（在过去十年中增长了19％）。瞻博网络关于在线支付欺诈的最新研究也将银行业列为金融欺诈的最热门领域。这使得先进的检测和预防系统成为最小化银行损失的必要条件。
新的基于ML的实时欺诈检测系统，AI集成和旧解决方案的升级对于应对金融领域当前的挑战是必要的。传统反欺诈系统和方法之间的核心区别在于，AI和ML算法更快，可以适应变化，随时随地处理通用的大数据，并且专门设计用于自主检测新模式并捕获交易异常。
这是金融和银行业中人工智能和机器学习的三个主要机会。
防止交易欺诈并最大程度减少虚假拒绝
仅在美国，到2020年，归因于信用卡欺诈的年度损失预计将超过$ 12B（《福布斯》），这表明现有系统为犯罪活动留出了很大的空间，并且还有待挖掘。
经典的卡欺诈检测系统实质上是一组固定的假设规则，用于检查和评估在线和离线卡交易。它的优点和局限性来自同一来源-它是经过预先编程的，只能标记与以前发现的案例相同的案例，并分解为大量的复选框。
机器学习和基于AI的系统更加灵活，可适应新的和以前无法识别的欺诈方法，可以从各种变化的数据集中提取数据并比较数千个数据点。为全面监控客户的数字资料而构建的这项技术还可以帮助服务提供商最大程度地减少现有系统中的误报。
用AI打击内部欺诈
除了动机和与信任有关的问题外，与公司破坏有关的风险管理是金融和银行业的普遍优先事项，其中多达70％的欺诈行为是由内部人员（包括员工）实施的。
从技术角度来看，可以通过将AI集成到现有的商业智能结构和员工管理解决方案中来缓解此类金融犯罪。这样的自动化和适应性解决方案可以通过标准流程之外的模式来识别异常行为，并对可疑行为进行评级并向高层管理人员发出信号。所有这些都是在更广泛的内部监控，增强型业务分析，审计和预测的范围内完成的。
打击洗钱
据估计，洗钱每年占全球GDP的2％至5％。尽管有稳定的投资和国家的惯例认可，传统的反洗钱（AML）方法和合规性框架通常效果不佳。造成这种情况的因素有很多，包括由于规则阈值而导致的大量误报（高达95-98％），这使合规团队无法进行真正的欺诈案件。
AI和ML有几种方法可以提高AML检查的效率：
机器学习算法可用于根据多个不断变化的入口点来检测可疑活动并对其进行风险评估。
通过结合已建立系统的历史输出进行培训，人工智能可以学习自动识别特定异常并将其归类为金融行为的可疑特征。
对于高级名称筛选，机器学习算法可以导航和解释各种银行系统，例如那些数据集有问题的银行系统（例如，以特定于区域的格式）。
自我完善和不断更新的算法可以不断重新评估匹配标准并完善名称匹配预测。
以上所有这些都有可能大大降低误报的百分比。此外，合规专家无需花费大量时间进行重复性工作，而是可以专注于高价值的问题，确保持续的审查并更新检测到的活动的分类。
包起来
在行业传统主义和全球法规不断变化的背景下，人工智能在金融领域的应用正在稳步增长。这表明该领域的AI拥有明确而有保证的未来。
金融和银行业一直普遍存在各种形式的欺诈威胁。过去十年中，技术的飞速发展带来了新的欺诈和网络犯罪渠道，以及现有的渠道。在这种环境下，利用AI和其他尖端技术在对抗快速发展的欺诈方案的持续战争中不仅有利，而且至关重要。

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！