金融詐騙對個人、不同產業和全球經濟的穩定性都帶來重大的威脅。在詐騙計畫變得愈來愈複雜的時候，傳統的詐騙偵測方法已經難以跟上騙徒變化多端的手法。然而，一股變革力量以人工智慧技術的形式出現，為打擊金融詐騙提供了前所未有的效率和準確性的創新解決方案。在本部落格中，我們將詳細介紹如何利用人工智慧來偵測金融詐騙。
內容提要：
1. 甚麼是詐騙？
根據學者的定義，詐騙是指欺騙，但這種理解已擴大到涵蓋廣泛的活動。詐騙是一個廣義的詞彙，包括人或某人試圖透過虛假推薦或脅迫證據從他人身上獲利的所有非故意、策略性和狡猾的行為。
詐騙是由一個或多個不負責監管的官員或人員、員工或第三方所進行的蓄意行為，這些行為與使用詐欺來獲取不平衡或非法利潤有關。(Diaz, 2013)
因此，它也可以被理解為任何依賴欺騙來獲取利益的活動。當詐騙是「明知而歪曲事實或隱瞞重要事實，以誘使他人採取對其不利的行為」時，即構成犯罪（《Black's Law Dictionary》）。換句話說，如果您說謊是為了剝奪他人或組織的金錢或財產，那您就是犯了欺詐罪。
研究還顯示，儘管公司和專業會計師對預防和檢測詐騙投入了更多的關注，但影響財務報表的詐欺活動比以往任何時候都更加猖獗。對於財務報表的編制者和使用者以及審計師而言，詐騙偵測是一個關鍵問題。 [1]
成就詐騙行為的三大危機
唐納德·克雷塞提出的「舞弊三角論」 信託違反者，當他們認為自己有不可分享的財務問題，並且知道或意識到這個問題可以透過違反財務信託的地位來秘密解決。對於某些人為何會犯下欺詐行為，最廣為人接受的解釋就是「舞弊三角」（Fraud Triangle）。舞弊三角是由犯罪學家唐納德·克雷塞博士提出的，他對挪用公款者的研究創造了 「違反信任者 」一詞。
舞弊三角假設如果所有三個要素都存在 - 無法分享的財務需求、可感知的機會和合理化 - 一個人就極有可能從事欺詐活動。正如唐納德·克雷塞在《詐騙檢查員手冊》中所說： 當信託違反者被要求解釋他們為甚麼不違反之前可能擔任的其他信託職位，或為甚麼不在更早的時候違反標的職位時，那些有看法的人都表達了相當於以下一個或多個語句：
(a) 「沒有必要像這次一樣。」
(b) 「這個想法從來沒有在我腦子裡出現。」
(c)「我當時認為這是不誠實的，但這次一開始似乎不是不誠實的。」
現時在偵測詐騙的市場狀況如何？
根據 MarketsandMarkets 的市場研究，全球詐騙偵測與預防市場規模預計將從 2023 年的 277 億美元成長至 2028 年的 666 億美元，預測期間的複合年成長率 (CAGR) 為 19.1%。
市場上詐騙偵測的主要挑戰之一，是缺乏訓練有素的專業人員來分析詐騙攻擊。根據非牟利的網路安全專業協會 (ISC) 所做的調查顯示，51% 的網路安全專業人員認為，由於技術嫻熟的網路安全人員不足，他們的公司面臨重大風險。 [2]
在討論如何利用人工智能技術完善詐騙偵測流程之前，讓我們先來看看詐騙的種類有多少。
4. 2023年最新型的詐騙手法是甚麼？
參考 2022 年的研究，隨著 P2P 等新型支付方式的出現，新的詐騙類型也隨之而來，例如銷售不存在的產品，將即時付款收入囊中。其他類型的詐騙涉及竊取密碼，而許多使用者並未妥善防護和粗心大意地管理密碼。
使用持續的身份驗證被視為一種有效的對策。這也需要分析盡可能多的資料來源，以驗證身份和付款 (GIACT, 2020)。另一項詐欺和反洗錢措施是使用以機器學習為基礎的人工智慧來檢查數位身分，並在每個 POS 執行信用評分。
這並非空穴來風。
讓我們向您展示更多的數據，告訴您識別和預防欺詐檢測是多麼的重要。
根據金融專業人員協會 (Association for Financial Professionals, AFP) 目前進行的支付詐欺與控制調查，在報告支付詐欺時，近 80% 的機構最有可能向銀行合作夥伴尋求協助，尋求指導，以採取步驟將詐欺的影響降至最低，並協助詐欺偵測。
機構如何在偵測詐騙的過程中使用人工智慧科技？
為了防止詐騙並促進金融業包容性，制定包含生物特徵的國際認可數位識別標準被視為首要項目。這樣的數碼身分將成為可使用多家供應商提供的銀行服務的「金鑰」（KPMG，2019）。雖然這是一個強大的機制，但會削弱用戶對任何一家金融機構的獨特安全依賴。
現有的偵測系統依賴於已定義的標準或已學習的記錄，因此難以偵測到新的攻擊模式。為了發現新的模式並達到更高的偵測準確度，基於監督學習和非監督學習以及使用人工神經網路的深度學習的機器學習方法已被積極研究。
機器學習是詐欺偵測的關鍵要素之一。通常會伴隨著資料的再處理、取樣、特徵選擇、分類的應用等。也有學者指出「深度人工神經網路」在詐欺偵測中的重要性。深度學習 (Deap Learning ) 是機器學習的一個子領域，其靈感來自於大腦的結構和功能，稱為人工神經網路。人工智慧功能模仿人腦處理資料和創造模式以用於決策領域的工作方式，透過從非結構化或無標籤的資料進行無監督學習的能力。(C. Franc¸ois, 2017)
如何在使用人工智慧科技偵測金融詐騙中確保其準確性？
事實上，目前市場上已有數十種金融詐騙檢測方法，但其中一個共同的關鍵因素是確保資料庫的規模夠大。
資料的不平衡問題會誤導檢測過程，造成錯誤分類的問題，而真實的金融交易資料集通常都會有 資料不平衡的問題。為了避免資料失衡的問題，我們必須運用各種不同的資料集來提高檢測的準確度，而多樣化的資料將有助於產生不同比例的抽樣資料集，以提高我們所提出研究的可靠性與準確度。
以 iFinGate 為例，iFinGate 擁有超過 3 億筆的資料檔案，超過 50,000 個資料來源作為客戶的 KYC 監控。iFinGate 可透過資料庫的機器學習功能過濾與合規無關的資料，以提供持續監控和近乎即時的更新。
總括而言，將人工智能技術整合至金融詐騙偵測是一個改變遊戲規則的方法，可讓組織主動偵測、預防及打擊金融詐騙。透過發揮人工智能的潛力，我們可以創造一個更安全、更有韌性的金融環境，讓詐欺活動迅速被識別、瓦解和阻嚇。想進一步瞭解如何將人工智能技術應用於金融詐騙偵測？請立即聯絡我們，量身打造解決方案！
參考資料： [1] R.T. Edwards, Inc. (2000). What Is Fraud and Who Is Responsible? In Journal of Forensic Accounting Auditing, fraud, and taxation (pp. 247–256). essay.
[2] Fraud detection and prevention market growth drivers & opportunities. MarketsandMarkets. (n.d.). https://www.marketsandmarkets.com/Market-Reports/fraud-detection-prevention-market-1312.html
[3] Choi, D., & Lee, K. (2018). An artificial intelligence approach to financial fraud detection under IOT environment: A survey and implementation. Security and Communication Networks, 2018, 1–15. https://doi.org/10.1155/2018/5483472
Commentaires