Het Wilde Westen kende scherpschutters, bankovervallen en premies; de huidige digitale grens kent identiteitsdiefstal, creditcardfraude en terugboekingen.

Het verzilveren van financiële fraude is een criminele onderneming van miljarden {dollars} geworden. En generatieve AI in de handen van fraudeurs belooft het alleen maar winstgevender te worden.

De wereldwijde creditcardverliezen zullen naar verwachting in 2026 oplopen tot 43 miljard greenback Nilson-rapport.

Financiële fraude wordt op steeds meer manieren gepleegd, zoals het verzamelen van gehackte gegevens van het darkish internet voor creditcarddiefstal, het gebruik van generatieve AI voor het phishing van persoonlijke informatie en het witwassen van geld tussen cryptocurrency, digitale portemonnees en fiatvaluta. Veel andere financiële plannen liggen op de loer in de digitale onderwereld.

Om bij te blijven gebruiken financiële dienstverleners AI voor het opsporen van fraude. Dat komt omdat veel van deze digitale misdaden in realtime moeten worden gestopt, zodat consumenten en financiële bedrijven hun verliezen meteen kunnen stoppen.

Dus hoe wordt AI gebruikt voor fraudedetectie?

AI voor fraudedetectie maakt gebruik van meerdere machine learning-modellen om afwijkingen in het gedrag en de connecties van klanten te detecteren, evenals patronen van accounts en gedrag die passen bij frauduleuze kenmerken.

Generatieve AI kan worden ingezet als fraudecopiloot

Bij veel financiële diensten zijn tekst en cijfers betrokken. Generatieve AI en grote taalmodellen (LLM’s), die in staat zijn om betekenis en context te leren, beloven disruptieve mogelijkheden in alle sectoren met nieuwe niveaus van output en productiviteit. Financiële dienstverleners kunnen generatieve AI inzetten om intelligentere en capabelere chatbots te ontwikkelen en de fraudedetectie te verbeteren.

Aan de andere kant kunnen slechte actoren AI-vangrails omzeilen met sluwe generatieve AI-prompts om deze voor fraude te gebruiken. En LLM’s leveren mensachtig schrijven, waardoor fraudeurs meer contextueel relevante e-mails kunnen opstellen zonder typefouten en grammaticale fouten. Er kunnen snel veel verschillende op maat gemaakte versies van phishing-e-mails worden gemaakt, waardoor generatieve AI een uitstekende copiloot is voor het plegen van oplichting. Er zijn ook een aantal darkish web-tools zoals FraudGPT, die generatieve AI kunnen exploiteren voor cybercriminaliteit.

Generatieve AI kan ook worden misbruikt voor financiële schade bij beveiligingsmaatregelen voor stemauthenticatie. Sommige banken gebruiken stemauthenticatie om gebruikers te helpen autoriseren. De stem van een bankklant kan worden gekloond met behulp van deep-fake-technologie als een aanvaller stemfragmenten kan verkrijgen in een poging dergelijke systemen te doorbreken. De spraakgegevens kunnen worden verzameld through spam-telefoongesprekken die proberen de ontvanger van de oproep te verleiden om met zijn stem te reageren.

Chatbot-oplichting is zo’n probleem dat de Amerikaanse Federal Commerce Fee zorgen geuit voor het gebruik van LLM’s en andere technologie om menselijk gedrag te simuleren voor deep fake-video’s en stemklonen die worden toegepast bij oplichting door bedriegers en financiële fraude.

Hoe pakt generatieve AI misbruik en fraudedetectie aan?

Fraudebeoordeling heeft een krachtig nieuw hulpmiddel. Werknemers die handmatige fraudebeoordelingen afhandelen, kunnen nu worden geholpen met LLM-gebaseerde assistenten die RAG op de backend draaien om informatie uit beleidsdocumenten te benutten die kan helpen de besluitvorming over de vraag of zaken frauduleus zijn, te versnellen, waardoor het proces enorm wordt versneld.

LLM’s worden gebruikt om de volgende transactie van een klant te voorspellen, wat betalingsbedrijven kan helpen risico’s preventief in te schatten en frauduleuze transacties te blokkeren.

Generatieve AI helpt ook transactiefraude te bestrijden door de nauwkeurigheid te verbeteren, rapporten te genereren, onderzoeken te verminderen en compliancerisico’s te beperken.

Genereren synthetische gegevens is een andere belangrijke toepassing van generatieve AI voor fraudepreventie. Synthetische information kunnen het aantal datarecords verbeteren dat wordt gebruikt om modellen voor fraudedetectie te trainen en de verscheidenheid en verfijning van voorbeelden vergroten om de AI te leren de nieuwste technieken van fraudeurs te herkennen.

NVIDIA biedt instruments waarmee bedrijven generatieve AI kunnen omarmen om chatbots en virtuele agenten te bouwen met een workflow die gebruikmaakt van retrieval-augmented generatie. RAG stelt bedrijven in staat natuurlijke taalprompts te gebruiken om toegang te krijgen tot enorme datasets voor het ophalen van informatie.

Aanwenden NVIDIA AI-workflows kan helpen bij het versnellen van het bouwen en inzetten van capaciteiten op ondernemingsniveau om nauwkeurig antwoorden te produceren voor verschillende gebruiksscenario’s, met behulp van funderingsmodellende NVIDIA NeMo kader, NVIDIA Triton-inferentieserver en GPU-versnelde vectordatabase om RAG-aangedreven chatbots in te zetten.

De industrie richt zich op veiligheid om ervoor te zorgen dat generatieve AI niet gemakkelijk kan worden misbruikt om schade aan te richten. NVIDIA heeft NeMo Guardrails uitgebracht om ervoor te zorgen dat intelligente applicaties die worden aangedreven door LLM’s, zoals OpenAI’s ChatGPT, nauwkeurig, passend, actueel en veilig zijn.

De open-sourcesoftware is ontworpen om te voorkomen dat door AI aangedreven applicaties worden uitgebuit voor fraude en ander misbruik.

Wat zijn de voordelen van AI voor fraudedetectie?

Fraudedetectie is een uitdaging geweest in het bankwezen, de financiële sector, de detailhandel en de e-commerce. Fraude schaadt organisaties niet alleen financieel, maar kan ook reputatieschade veroorzaken.

Het is ook een hoofdpijn voor consumenten als fraudemodellen van financiële dienstverleners overdreven reageren en valse positieven registreren die legitieme transacties stopzetten.

De financiële dienstverleningssectoren ontwikkelen dus steeds geavanceerdere modellen die meer information gebruiken om zichzelf financieel en qua reputatie te wapenen tegen verliezen. Ze streven er ook naar om het aantal valse positieven bij het opsporen van fraude bij transacties te verminderen om de klanttevredenheid te verbeteren en een groter aandeel onder verkopers te winnen.

Financiële dienstverleners omarmen AI voor identiteitsverificatie

De financiële dienstverleningssector ontwikkelt AI voor identiteitsverificatie. AI-gestuurde toepassingen die gebruik maken van deep studying met grafische neurale netwerken (GNN’s), natuurlijke taalverwerking (NLP) en computervisie kunnen de identiteitsverificatie voor ken-uw-klant- (KYC) en anti-witwasvereisten (AML) verbeteren, wat leidt tot verbeterde regelgeving naleving en lagere kosten.

Pc imaginative and prescient analyseert fotodocumentatie zoals rijbewijzen en paspoorten om vervalsingen te identificeren. Tegelijkertijd leest NLP de documenten om de waarheidsgetrouwheid van de gegevens op de documenten te meten, terwijl de AI ze analyseert om te zoeken naar frauduleuze gegevens.

De winst op het gebied van KYC- en AML-vereisten heeft enorme regelgevende en economische implicaties. Financiële instellingen, waaronder banken, kregen in 2022 een boete van bijna 5 miljard greenback wegens AML, het overtreden van sancties en fouten in KYC-systemen. volgens de Financiële tijden.

Gebruik maken van grafische neurale netwerken en NVIDIA GPU’s

GNN’s worden omarmd vanwege hun vermogen om verdachte activiteiten aan het licht te brengen. Ze zijn in staat miljarden data te bekijken en voorheen onbekende activiteitspatronen te identificeren om correlaties te maken over de vraag of een account in het verleden een transactie naar een verdachte account heeft verzonden.

NVIDIA heeft een alliantie met het Deep Graph Library-team en het PyTorch Geometrische-team, dat een gecontaineriseerd GNN-framework biedt dat de nieuwste updates bevat, NVIDIA-RAPIDS bibliotheken en meer om gebruikers te helpen op de hoogte te blijven van de allernieuwste technieken.

Deze GNN-frameworkcontainers zijn NVIDIA-geoptimaliseerd en op prestaties afgestemd en getest om het maximale uit NVIDIA GPU’s te halen.

Met toegang tot de NVIDIA AI Enterprise softwareplatform kunnen ontwikkelaars gebruikmaken van NVIDIA RAPIDS, NVIDIA Triton-inferentieserver en de NVIDIA TensorRT softwareontwikkelingskit om bedrijfsimplementaties op schaal te ondersteunen.

Verbetering van de detectie van afwijkingen met GNN’s

Fraudeurs beschikken over geavanceerde technieken en kunnen manieren leren om fraudedetectiesystemen te slim af te zijn. Eén manier is door complexe ketens van transacties los te laten om kennisgeving te voorkomen. Dit is waar traditionele, op regels gebaseerde systemen patronen kunnen missen en falen.

GNN’s bouwen voort op een idea van representatie binnen het mannequin van lokale structuur en functiecontext. De informatie van de rand- en knooppuntfuncties wordt doorgegeven met aggregatie en berichtuitwisseling tussen aangrenzende knooppunten.

Wanneer GNN’s meerdere lagen van grafiekconvolutie uitvoeren, bevatten de uiteindelijke knooppuntstatussen informatie van knooppunten die meerdere hops verwijderd zijn. Het grotere ontvankelijke veld van GNN’s kan de complexere en langere transactieketens volgen die door daders van financiële fraude worden gebruikt in pogingen hun sporen te verdoezelen.

GNN’s maken coaching zonder toezicht of zelfbeheer mogelijk

Het detecteren van financiële fraudepatronen op grote schaal wordt bemoeilijkt door de tientallen terabytes aan transactiegegevens die in een oogwenk moeten worden geanalyseerd en door een relatief gebrek aan gelabelde gegevens voor echte fraudeactiviteiten die nodig zijn om modellen te trainen.

Hoewel GNN’s een breder detectienet kunnen uitwerpen op fraudepatronen, kunnen ze ook trainen op een zonder toezicht of met eigen toezicht taak.

Door gebruik te maken van technieken als Bootstrapped-grafiekenlatenten — een leermethode voor grafische weergave — of koppel voorspelling aan negatieve bemonsteringkunnen GNN-ontwikkelaars modellen zonder labels voortrainen en modellen met veel minder labels verfijnen, waardoor sterke grafiekweergaven ontstaan. De output hiervan kan worden gebruikt voor modellen zoals XGBoost, GNN’s of technieken voor clustering, wat betere resultaten oplevert wanneer deze worden ingezet voor gevolgtrekking.

Aanpak van de uitlegbaarheid en vooringenomenheid van modellen

GNN’s maken ook de uitlegbaarheid van modellen mogelijk met een reeks instruments. Verklaarbare AI is een praktijk in de sector die organisaties in staat stelt dergelijke instruments en technieken te gebruiken om uit te leggen hoe AI-modellen beslissingen nemen, waardoor ze zich kunnen beschermen tegen vooringenomenheid.

Heterogene grafiektransformatoren en grafiekaandachtsnetwerken, die GNN-modellen zijn, maken aandachtsmechanismen mogelijk in elke laag van het GNN, waardoor ontwikkelaars berichtpaden kunnen identificeren die GNN’s gebruiken om een ​​uiteindelijke output te bereiken.

Zelfs zonder aandachtsmechanisme kunnen technieken zoals GNNExplainer, PGuitleg En Grafiekmasker Er is voorgesteld om de GNN-outputs te verklaren.

Toonaangevende financiële dienstverleners omarmen AI voor winst