机器学习在实时性欺诈检测中的应用案例

“机器学习”是一门计算机科学，指的是机器对数据进行学习，并执行一些通常来说需要人类智力来完成的任务。现在，该技术正在快速发展的阶段：据Gartner称，到2022年，超过一半的数据和分析服务将由机器代替人来完成，将会比现在增长10％。

机器学习的出现以及它在面向消费者应用方面的实现，为当今的实时经济带来了便利。在受害者受到欺诈行为的影响之前，机器学习在这方面的应用大大降低了欺诈行为的发生几率。事实上，超过60％的人认为等待即将发生的事情将会影响他们对潜在品牌的看法——尤其是在涉及到身份盗用或财务诈骗时，他们更会有这种感觉。

实时决策需要机器学习和人工智能

机器学习和人工智能正在对企业、品牌乃至整个行业进行变革。他们有能力大幅降低劳动力成本，能够产生意想不到的新想法，也可以发现新的模式并从原始数据种创建预测模型。除此以外，他们还能进行数据分析，并实现以前从未实现过的实时自动化决策。当机器学习和人工智能以自动、低延迟的方式应用于实际数据时，其结果可能会影响到当前正在进行的业务，如果能够正确利用机器学习和人工智能，这将会为企业和组织带来真正的竞争优势。

机器学习和实时数据分析对高风险业务影响的例子在各行业的欺诈中都能够看到。以下是机器学习和人工智能在欺诈行为检测方面的应用案例。

金融业务中防止身份盗用和诈骗行为

华为是全世界领先的通信、信息和技术方案提供商，它使用translytical数据库对信用卡和移动支付交易进行实时欺诈分析——当你每次刷卡、插入卡或扫描手机时，都会显示授权或拒绝：该决策由根据历史欺诈数据来识别欺诈行为的机器学习模型做出来的。这个模型在一个大型数据系统中进行训练，而这个大型的数据系统接收来自内存转换数据库的导出信息。然后，该模型作为存储过程或用户定义的函数加载到数据库中，这一过程每天都会重复很多次。

机器学习模型中的持续训练非常重要。由于欺诈者一直在改变欺诈方法，所以我们也要对机器学习欺诈检测模型进行不断更新，来保证高质量的决策和低误报率，因此持续训练非常重要。机器学习的一个重要特点就是注重预防与检测。具有反欺诈模型的银行拥有足够的信息来主动发现诈骗案件，而不是事后才发现诈骗案件，这也提高了客户满意度，同时降低了财务风险。在欺诈行为发生之前对其进行阻止，这不仅为金融机构节约了成本，还有助于最大限度地减少产品曝光，来保证品牌的价值。

减少数字广告中的欺诈行为

就像银行一样，adtech供应商必须对欺诈行为进行快速的处理。在这里，肇事者是广告机器人，里边是恶意代码，这与人类一样都具有欺诈性。广告代理商和广告商因此每年都会损失数百万美元，并最终会受到Methbots等的互联网欺诈环的影响——其品牌名誉受到损害。例如，这些广告机器人可以通过编程欺瞒当前流行的视频，发布商在视频上销售广告，通过对鼠标移动和虚假的社交媒体信息进行编程，来模拟人与视频的交互。Adtech供应商中另外一个例子是点击欺诈——欺诈者通过让人们手动或自动点击广告，达到想要的点击数。

为了检测和处理实时点击欺诈，广告商需要对客户的每次点击进行监控，如果检测出异常点击，则会迅速做出解决方案。并且，解决方案必须快速、准确、灵活，这也足以应对现代的各种欺诈攻击行为。检测并阻止这种欺诈行为需要一个能够包含大量合法和欺诈性流量的数据库，并在授权广告支出费用之前确定哪些流量属于哪个类别。

利用机器学习和人工智能，企业能够在短短五到十毫秒内就可以检测到异常数据，并根据其信息做出正确的决策，甚至可以预测结果。总之，人工智能和机器学习是一个强大的工具，与拥有一个快速内存的translytical数据库一起，它将会在很多领域取得许多重要进展。