ИИ против мошенников: почему будущее за узкими моделями

Финансовое мошенничество не стоит на месте. За почти тридцать лет работы в финансовой отрасли автор наблюдал, как преступники почти синхронно осваивали новые технологии — а иногда и опережали защитные системы. Сегодня искусственный интеллект помогает банкам выявлять подозрительные операции, но мошенники продолжают проверять его пределы.
Проблема масштабная: ежегодно с мошенничеством или финансовыми аферами сталкиваются более 87,5 млн взрослых американцев. Это примерно каждый третий взрослый житель США. Поэтому вопрос для финансовых организаций уже не в том, нужен ли ИИ для защиты клиентов, а в том, насколько используемые системы соответствуют нынешним и будущим угрозам.
Раньше специалисты по анализу данных нередко придумывали методы, которые невозможно было применить на практике: компьютерам не хватало мощности, чтобы быстро обработать необходимые объёмы информации. Теперь это ограничение во многом снято благодаря графическим процессорам — GPU — и другим технологиям высокопроизводительных вычислений.
Традиционный подход обычно строился так: система формировала профиль обычного поведения клиента, используя набор признаков и нейросеть, а затем сравнивала с ним новую транзакцию. Если операция сильно отличалась от привычной, её помечали как подозрительную. Метод работал, но был ограничен вычислительными возможностями своего времени.
Современные GPU позволяют анализировать не только заранее составленный профиль, но и большую историю операций клиента в реальном времени — прямо в момент платежа. Это даёт более точный прогноз и снижает число ложных срабатываний. Иными словами, меньше законных покупок зависает в банковском чистилище, а доверие клиентов страдает реже.
Одним из перспективных решений становятся трансформеры — модели последовательностного анализа, похожие по принципу работы на технологии, применяемые в генеративном ИИ. Речь не о универсальной системе «умею всё», а о модели, специально обученной на данных о финансовых транзакциях и созданной для борьбы с финансовыми преступлениями.
Такая архитектура учитывает индивидуальную историю клиента и контекст операции. Благодаря этому банки могут быстрее выявлять угрозы, сохраняя одновременно высокую точность, низкую задержку и возможность объяснить, почему решение было принято.
Вместо одной гигантской модели предлагается использовать несколько специализированных фундаментальных моделей. Каждая отвечает за отдельную задачу: захват аккаунта, мошеннические схемы, выявление «денежных мулов» — людей или счетов, через которые преступники перемещают деньги, — а также злоупотребления со стороны самого клиента, включая оспаривание законных операций.
Набор независимых моделей может дать более полную и прозрачную картину, чем одна система, пытающаяся одновременно распознать все виды угроз. Тот же принцип можно применять к оценке рисков, работе с финансовыми трудностями клиентов и взысканию задолженности — везде, где понимание поведения человека помогает точнее защищать и обслуживать его.
По мнению автора, технологии, которые определят борьбу с мошенничеством в ближайшие пять лет, создаются уже сейчас. Их основой станут специализированные модели, мощные вычисления и ИИ-агенты — программные системы, способные самостоятельно выполнять последовательность действий в рамках заданной задачи.
Многие математические методы, используемые для защиты клиентов сегодня, были разработаны десятилетия назад. Тогда учёным не хватало вычислительной инфраструктуры, чтобы воплотить свои идеи. Автор подчёркивает, что значительная часть его работы — патенты, модели и эксперименты — была направлена на подготовку к моменту, когда техника наконец догонит теорию.
Этот момент, по его словам, наступает сейчас. Финансовым организациям остаётся решить, будут ли они участвовать в создании новых инструментов защиты или снова станут догонять мошенников — как обычно, с выражением лица человека, который только что обнаружил собственный пароль в утечке данных.