詐欺察覺及預防

由於運算速度（高效能分析）、機器學習和其他形式的 AI 進步，詐欺預防技術也跟著獲得重大進展。詐欺攸關我們生活的各個層面；提高我們購買商品和服務的價格、浪費稅金、奪取創新所需資源、甚至奪走人類的性命。

• 發展史
•     
• 當今世界
•     
• 應用領域
•     
• 運作方式
•     
• 後續步驟

發展史

詐欺事件包括浪費和濫用、不當付款、洗錢、恐怖主義融資、公共安全和網路安全。過去，各組織必須採取分散的方法來預防詐欺，使用商業規則和基本分析來找出異常情況，以便從單獨的資料集建立警示。 

資料無法透過自動化作業交叉參考，調查人員無從即時手動監控交易和犯罪；他們只能在事情發生後才有辦法做到。在醫療保健領域，詐欺防治更像是「付費後追討」，因為當我們發現詐欺行為時，犯罪分子早已逃之夭夭。

為了打擊詐欺，人們開發了更新的技術來預測傳統手法、發掘新伎倆、並破解日益複雜的組織型詐欺集團。這不僅涉及標準分析，也採用了預測型和適應型分析技術：包括稱為機器學習的 AI 技術。將巨量資料來源與即時監控和風險狀況分析相結合後，對詐欺風險進行評分，因此詐欺防制機制已開始扭轉局勢。

當今全球的詐欺偵測機制

國家資助的恐怖主義、職業犯罪分子和有心人士手法日趨複雜，變得越來越難以理解、追蹤、揭露和預防。當今全球的詐欺偵測採用綜合手段，把資料點與活動相匹配，以釐清異常情況何在。詐欺分子已發展出複雜策略，因此必須掌握這些不斷變化的伎倆。

很多時候，網路安全漏洞會助長詐欺活動。以零售或金融服務業為例：即時交易監控曾經是種奢望，現在已成為一項基本要求，不僅適用於金融交易，也適用於身分驗證、工作階段、定位服務和裝置的數位事件資料。

為了快速準確識別和阻止各種詐欺攻擊和犯罪，同時改善客戶和人民體驗，各組織應遵循四大關鍵步驟：

1. 擷取並統一跨部門或管道的所有可用資料類型，並將其納入分析流程。
2. 持續監控交易、社交網路、高風險異常等，並運用行為分析來實現即時的決策。
3. 透過各層級的資料視覺化（包括調查工作流程的最佳化），灌輸企業內的分析文化。
4. 採用分層式安全技術。
   
   

您選擇的詐欺偵測和預防技術應該要能從複雜的資料模式中學習。這類技術應使用複雜的決策模型，來更妥善因應誤報並偵測網路關係，以全面掌握詐欺分子和犯罪分子的活動。事實證明，結合機器學習方法（例如深度學習類神經網路、極限梯度提升和向量機器）以及經實證的方法（例如羅吉斯迴歸、自組織映射、隨機樹系和整合），比其他基於規則的方法更準確且有效。

詐欺防制如何運作

詐欺偵測和預防並非靜態的過程，沒有所謂的起點和終點。事實上，這是一個持續的循環，當中涵蓋監控、偵測、決策、案例管理、以及學習把偵測改善反饋回系統。各組織應努力不斷從詐欺事件中汲取教訓，並把結果納入未來的監控和偵測流程中。這將有賴於企業內的資料分析生命週期方法。

您的目標可能涉及詐欺偵測、合規性或安全。隨著 AI 和機器學習等技術越趨普遍，新一代技術正在把整合大資料集與採用行為分析相關等手動流程自動化