我们无时无刻不在听到：防止欺诈非常困难，因为欺诈者会不断变化和改变策略。就像一句俗话说的，骗子真是五花八门、无孔不入。当您弄清楚如何识别和防止一个骗局的时候，就会出现一个新的骗局，最常见的就是电信诈骗。
自然而然地，深度学习技术是当前与欺诈者作斗争的最佳武器，它可以像欺诈者的战术一样迅速地改变和适应。 这也是使机器学习（ML）系统非常适合打击欺诈行为的原因。 如果进行精细化设计，这些反欺诈系统将自学习，自适应以及发现新兴的诈骗模式，而且不会过度适应。
在以前，一些机构和组织大都依靠基于规则的系统来检测欺诈行为。 这些规则采用了if-then逻辑，可以充分识别到已知的欺诈模式。然而，尽管这种基于规则的方式仍然是重要的反欺诈工具，尤其是在与高级方法结合使用的时候，但规则仅限于识别我们已经知道并可以进行编程的欺诈模式。 它们的弱点就是，不能有效地适应新的欺诈模式，并及时发现未知方案或识别日益复杂的欺诈技术，比如最近针对区块链和数字货币，就衍生除了许多新兴的诈骗手段。
这就是为什么越来越多的行业采用机器学习和人工智能进行欺诈行为识别检测的原因。SAS和认证欺诈检查员协会的最新研究发现，各行各业中只有13％的组织利用这些技术来发现和阻止欺诈行为，另有25％的公司计划在未来两年内将其纳入其反欺诈计划中，增长近200％。
那么它是怎样工作的？ 简而言之，深度学习可以自动从数据中提取已知和未知模式。 一旦识别出这些模式，就可以将其所知应用于新的和看不见的数据。机器通过反馈回路向其展示新结果和新模式时进行学习和适应。
在欺诈检测中，监督的深度学习模型尝试从已识别的数据记录（通常称为标记数据）中学习。要训练监督模型，您需要将其标记为欺诈性和非欺诈性记录。
无监督的深度学习是不同的。当您不知道什么数据是欺诈性的时，您可以要求模型自行学习数据结构。 您只需将其与数据一起呈现，模型便会尝试了解该数据的基础结构和维度。
例如，一家全球金融机构最近对基于规则的欺诈检测系统进行了现代化改造，并在欺诈监督和客户服务之间取得了平衡。为此，该银行实施了基于深度学习ML的解决方案，该解决方案使用一组神经网络来创建两个不同的欺诈评分：
主要欺诈评分，用于评估帐户处于欺诈状态的可能性。 交易分数，评估单个交易是欺诈的可能性。 使用这种双分数方法，该金融机构正确地识别了将近100万美元的每月交易错误地识别为欺诈。它还每月能够发现另外150万美元的欺诈行为，而这些欺诈行为以前是未被发现的。
欺诈检测是一个具有挑战性的问题。 尽管欺诈性交易仅占组织内活动的一小部分，但如果没有正确的工具和系统，则一小部分活动会很快导致巨额美元损失。 随着深度学习ML的进步，系统可以自主学习，调整和发现新兴的预防欺诈模式。因此，即使欺诈者不断发展和改变策略，我们的识别系统也可以跟上它们的步伐，这就是人工智能技术的魅力所在。
原文：https://weibo.com/ttarticle/p/show?id=2309404440350562320407#_0
