編者按：Catherine Lu是DataVisor的技術(shù)產(chǎn)品經(jīng)理，本文闡述了人工智能打擊欺詐行為的三種主要方法。
人工智能將成為未來的主流。它會在聯(lián)網(wǎng)的家里、車里以及其他任何地方出現(xiàn)。雖然它并不像外星人一樣吸引眼球，但是人工智能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(zhàn)。這場戰(zhàn)爭中的雙方——好人陣營和壞人陣營，都在不斷快速進行調(diào)整，以讓人工智能發(fā)揮它的最大作用。
人工智能當前有三種主要的方法對抗欺詐行為，分別對應(yīng)人工智能的開發(fā)領(lǐng)域。它們是：
1.規(guī)則和信譽列表
2.監(jiān)督機器學習
3.無監(jiān)督機器學習
規(guī)則和信譽列表
在今天，很多現(xiàn)代的組織利用規(guī)則和信譽列表打擊欺詐，這個類似于“專家系統(tǒng)”，它在1970年代首次進入人工智能領(lǐng)域。專家系統(tǒng)是結(jié)合了領(lǐng)域?qū)＜抑贫ǖ囊?guī)則的計算機程序。它們易于啟動和運行，并且有人的理解能力，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(guī)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(gòu)可能會制定一個規(guī)則：“如果一個賬戶花費了超過一千美元買一個東西，坐標在尼日利亞，且登錄時間小于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(chǔ)上。信譽列表就是一個顯示一些IP地址、設(shè)備類型以及其他個別特征及其對應(yīng)的信譽評分的列表。然后，如果一個賬戶的IP地址出現(xiàn)在黑名單列表上，你就去阻攔它們。
雖然規(guī)則和信譽列表是偵查并預(yù)防欺詐的一個好方法，但是它很容易被網(wǎng)絡(luò)罪犯玩弄于股掌間。如今，數(shù)字服務(wù)比比皆是，導(dǎo)致注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(chuàng)建幾十個甚至數(shù)千個賬戶，然后利用這些賬戶去學習規(guī)則和信譽列表。犯罪者可以方便地訪問云托管服務(wù)、虛擬私有網(wǎng)絡(luò)、匿名電子郵件服務(wù)、設(shè)備仿真器以及移動設(shè)備閃存，從而逃過信譽列表的懷疑。
自1990年代以來，專家系統(tǒng)在很多領(lǐng)域都失寵了，它輸給了更先進的技術(shù)。顯然，我們應(yīng)該有更好的反欺詐的工具。然而，現(xiàn)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(dǎo)致了大量的人工評估開銷、誤報以及不良的偵查結(jié)果。
監(jiān)督機器學習(SML)
機器學習是人工智能的一個分支，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(shù)據(jù)中得到信息，而不是為計算機應(yīng)該主動尋找的東西編程（與專家系統(tǒng)不同）。機器學習在1990年代開始取得卓越的進步，到了2000年代它被有效地用于反欺詐。
監(jiān)督機器學習可應(yīng)用于欺詐是一個很大的進步。它與規(guī)則和信譽列表有很大的區(qū)別，因為它不再只是通過簡單的規(guī)則看幾個特征，而是參考所有的特征。
這種方法有一個缺點。一個用于偵查欺詐的監(jiān)督機器學習的模型必須使用歷史數(shù)據(jù)來判斷欺詐賬戶和行為，并識別好的賬戶和行動。隨后，模型可以瀏覽與賬戶相關(guān)的所有的特征來做出決定。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(xiàn)代欺詐者仍然可以避開這些監(jiān)督機器學習的模型。
應(yīng)用于偵查欺詐的監(jiān)督機器學習是一個正在發(fā)展的活躍領(lǐng)域，有很多的監(jiān)督機器學習的模型和方法。例如，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于欺詐是非常有幫助的，因為它可以自動化特征過程，而這個步驟是非常昂貴并且需要人為干預(yù)的。這個方法相對其他監(jiān)督機器學習模型，可以減少誤報和漏報的發(fā)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(jīng)元可以比人類編出更多的特征可能性。
無監(jiān)督機器學習(UML)
相比監(jiān)督機器學習，無監(jiān)督機器學習減少了領(lǐng)域的問題。在偵查欺詐領(lǐng)域，無監(jiān)督機器學習在過去并沒有發(fā)揮足夠的作用。常見的無監(jiān)督機器學習（例如k平均方法和分級群聚、無監(jiān)督神經(jīng)網(wǎng)絡(luò)以及主成分分析）還沒有在偵查欺詐中取得好的結(jié)果。