打擊欺詐和犯罪，人工智慧會是人類的超級英雄嗎？

編者按：Catherine Lu是DataVisor的技術產品經理，本文闡述了人工智慧打擊欺詐行為的三種主要方法。

人工智慧將成為未來的主流。它會在聯網的家裡、車裡以及其他任何地方出現。雖然它並不像外星人一樣吸引眼球，但是人工智慧在偵查欺詐行為上起到了重要的作用。牽制欺詐行為是一場持久戰。這場戰爭中的雙方——好人陣營和壞人陣營，都在不斷快速進行調整，以讓人工智慧發揮它的最大作用。

人工智慧當前有三種主要的方法對抗欺詐行為，分別對應人工智慧的開發領域。它們是：

1.規則和信譽列表

2.監督機器學習

3.無監督機器學習

規則和信譽列表

在今天，很多現代的組織利用規則和信譽列表打擊欺詐，這個類似於「專家系統」，它在1970年代首次進入人工智慧領域。專家系統是結合了領域專家制定的規則的計算機程序。它們易於啟動和運行，並且有人的理解能力，但它們同樣也受到了不靈活性和需要大量人力這兩方面特性的限制。

「規則」是指人編碼的一個邏輯語句，它用來偵查有欺詐的賬戶和行為。舉個例子，一個機構可能會制定一個規則：「如果一個賬戶花費了超過一千美元買一個東西，坐標在奈及利亞，且登錄時間小於24小時，那就阻攔這筆交易。」

信譽列表，相似地，建立在已知的不良行為的基礎上。信譽列表就是一個顯示一些IP地址、設備類型以及其他個別特徵及其對應的信譽評分的列表。然後，如果一個賬戶的IP地址出現在黑名單列表上，你就去阻攔它們。

雖然規則和信譽列表是偵查並預防欺詐的一個好方法，但是它很容易被網路罪犯玩弄於股掌間。如今，數字服務比比皆是，導致註冊過程變得越來越容易。因此，欺詐者只需花一點的時間就可以創建幾十個甚至數千個賬戶，然後利用這些賬戶去學習規則和信譽列表。犯罪者可以方便地訪問雲託管服務、虛擬私有網路、匿名電子郵件服務、設備模擬器以及移動設備快閃記憶體，從而逃過信譽列表的懷疑。

自1990年代以來，專家系統在很多領域都失寵了，它輸給了更先進的技術。顯然，我們應該有更好的反欺詐的工具。然而，現代公司中的很多反欺詐團隊仍在用這種基本的方法去偵查欺詐，這導致了大量的人工評估開銷、誤報以及不良的偵查結果。

監督機器學習(SML)

機器學習是人工智慧的一個分支，它嘗試著去解決當前靈活性缺失的問題。研究人員想讓機器從數據中得到信息，而不是為計算機應該主動尋找的東西編程（與專家系統不同）。機器學習在1990年代開始取得卓越的進步，到了2000年代它被有效地用於反欺詐。

監督機器學習可應用於欺詐是一個很大的進步。它與規則和信譽列表有很大的區別，因為它不再只是通過簡單的規則看幾個特徵，而是參考所有的特徵。

這種方法有一個缺點。一個用於偵查欺詐的監督機器學習的模型必須使用歷史數據來判斷欺詐賬戶和行為，並識別好的賬戶和行動。隨後，模型可以瀏覽與賬戶相關的所有的特徵來做出決定。因此，模型只能找出和原先的攻擊相似的欺詐行為。許多狡猾的現代欺詐者仍然可以避開這些監督機器學習的模型。

應用於偵查欺詐的監督機器學習是一個正在發展的活躍領域，有很多的監督機器學習的模型和方法。例如，將神經網路應用於欺詐是非常有幫助的，因為它可以自動化特徵過程，而這個步驟是非常昂貴並且需要人為干預的。這個方法相對其他監督機器學習模型，可以減少誤報和漏報的發生頻率，例如支持安全虛擬機和隨機森林模型，因為隱藏的神經元可以比人類編出更多的特徵可能性。

無監督機器學習(UML)

相比監督機器學習，無監督機器學習減少了領域的問題。在偵查欺詐領域，無監督機器學習在過去並沒有發揮足夠的作用。常見的無監督機器學習（例如k平均方法和分級群聚、無監督神經網路以及主成分分析）還沒有在偵查欺詐中取得好的結果。

針對欺詐的無監督方法很難在內部構建，因為它需要同時處理數十億個事件，且目前沒有能即插即用的有效無監督模型。然而，有些公司在這一領域已取得了長足進步。

它能夠用於反欺詐的原因就是它可以剖析欺詐攻擊。正常的用戶行為是混亂的，但是欺詐者有固定的工作模式，不管他們是否已經意識到了這點。他們以一定的規模快速工作。一個欺詐者不會試著去從一個在線服務中一下騙取十萬美元。他們寧願從成千上萬的賬戶中分別騙取幾分到幾美元。但是這些活動會不可避免地創建出模式來，非監督機器學習可以偵查到它們。

使用非監督機器學習的主要好處：

1.你可以更早地發現新的攻擊模式

2.掌控所有的賬戶，打斷欺詐者騙錢的途徑

3.誤報的概率減少很多，因為你在做出偵查決定前已經收集了很多信息

組合拳出擊

每個方法都有優點和缺點，而我們可以從各個方法中受益。規則和信譽列表方法在不需要人工智慧的情況下，可以廉價並快速執行，但是它需要不斷更新，並且只能阻攔最缺乏經驗的欺詐者。監督機器學習已經成為了一個即插即用的技術，它能夠考慮所有的單個賬戶的所有屬性或事件，但它並不能發現新的攻擊模式。無監督機器學習是新一代技術，它可以發現新的攻擊模式、識別和一次攻擊有關的所有賬戶以及提供一個完整的全局視圖；而另一方面，它在阻攔個人欺詐者的低等級攻擊上並不是很高效，並且很難在內部執行。不過，對於那些希望阻攔大規模或不斷進行的攻擊的公司來說，它當然還是首選。

一個健全的欺詐偵查系統一般都同時使用了這三種人工智慧方法來反欺詐。如果合理地同時使用它們，我們可以對每一個方法都揚長避短。

人工智慧在偵查欺詐領域將會繼續進步，最終會遠遠超出上述的已發明的技術。我們很難去把握下一個前沿。不過有一件事是確定的，那就是犯罪分子也會道高一尺、魔高一丈。使用人工智慧去偵查犯罪和使用人工智慧去隱藏罪行之間的競賽，還會繼續進行下去。