5 способов, которыми ИИ реально предотвращает мошенничество в финансовых услугах

ИИ для обнаружения мошенничества помогает проверять документы, отслеживать транзакции и выявлять скоординированные атаки.

Убытки от мошенничества hit $12.5 billion in 2024, по данным Федеральной торговой комиссии, выросли на 25% по сравнению с предыдущим годом. Мошеннические схемы, которые раньше требовали специальных навыков и дорогостоящих инструментов, теперь могут быть запущены кем угодно при наличии подключения к интернету и базовых технических знаний. Это во многом связано с достижениями в области технологий искусственного интеллекта (ИИ) — особенно с возможностями генеративного ИИ, — которые позволяют машинам имитировать принятие решений и модели общения человека, учиться на данных и адаптироваться с течением времени.

Финансовые учреждения и финтех-компании, что вполне объяснимо, хотят дать отпор мошенникам и ищут новые способы борьбы с мошенничеством на базе ИИ с помощью решений на базе ИИ. Но если применять их без стратегии, даже самая захватывающая новая технология рискует создать новые уязвимости. Например, алгоритмы ИИ, обученные на ограниченных данных, могут сохранять «слепые зоны», которыми пользуются мошенники, в то время как инструменты ИИ, не интегрированные должным образом с существующими средствами контроля мошенничества, могут привести к пробелам в защите. Чтобы предотвратить финансовые потери и повысить операционную эффективность, системы обнаружения мошенничества на базе ИИ должны быть привязаны к реальным сценариям использования, масштабируемым шаблонам и многоуровневым стратегиям защиты.

В этой статье рассматриваются пять способов, которыми обнаружение мошенничества с помощью ИИ усиливает контроль управления рисками: от автоматизации рабочих процессов проверки до обнаружения скоординированных мошеннических атак в режиме реального времени. Мы демонстрируем, как эти возможности работают вместе для предотвращения мошеннических действий путем создания адаптивной защиты, которая развивается вместе с возникающими угрозами. Мы исследуем анонимные примеры финансовых учреждений и финтех-компаний, которые эффективно используют ИИ в борьбе с мошенничеством.

1. Автоматизация проверки документов

Сегодня команды по предотвращению мошенничества сильно загружены, и поддельные документы могут ускользнуть даже от самого тщательного ручного контроля. Кража личных данных остается одной из самых устойчивых угроз в сфере финансовых услуг: только в 2024 году в FTC было подано более . В то время как похитители личных данных крадут и используют информацию реальных людей, мошенники также все чаще обращаются к синтетическим личностям (часто создаваемым с помощью генеративного ИИ и LLM) как к более масштабируемому способу совершения мошенничества.

Исследование Experian показало, что only 25% of financial service companies чувствуют уверенность в решении угроз, связанных с синтетическими личностями, и только 23% чувствуют себя готовыми к борьбе с мошенничеством, созданным с помощью ИИ и дипфейков. Чтобы исправить это, финансовые организации переходят на проверку документов с помощью ИИ (DocV) — тип протокола проверки личности, который создает и анализирует запросы документов в ключевых точках взаимодействия:

• Открытие счета — когда клиенты создают новые учетные записи, DocV на базе ИИ мгновенно проверяет их государственные удостоверения личности, подтверждение адреса и другую необходимую документацию в рамках процесса KYC (Знай своего клиента) организации.
• Заявки на кредит — во время рабочих процессов кредитования DocV автоматически проверяет справки о доходах, налоговые декларации и записи о трудоустройстве для предотвращения мошенничества при подаче заявок. Это заменяет ручные проверки, которые могли занимать дни, и помогает уменьшить трения без ущерба для безопасности.
• В момент транзакции — когда клиенты инициируют крупные переводы или снятие средств, многие организации требуют дополнительной проверки документов в качестве меры безопасности.
• Бизнес-банкинг — для коммерческих счетов DocV помогает проверять бизнес-лицензии, учредительные документы и информацию о бенефициарных владельцах. Эти проверки являются центральными для предотвращения мошенничества и необходимыми для соблюдения правил борьбы с отмыванием денег (AML), которые требуют от организаций проверки юридических лиц для предотвращения финансовых преступлений.

Проверка документов с помощью ИИ ускоряет легитимные транзакции, одновременно выявляя тонкие несоответствия, которые могут упустить из виду проверяющие-люди. Алгоритмы машинного обучения могут одновременно анализировать государственные удостоверения личности, сверять списки наблюдения и проверять данные о санкциях.

Пример того, как ИИ работает при проверке документов

Рассмотрим такой сценарий: злоумышленник использует государственные удостоверения личности, которые выглядят подлинными, чтобы подать заявку на открытие счета в небольшом банке. Однако данные говорят об обратном: согласно системе оценки рисков банка, адрес электронной почты заявителя был создан в течение последних 24 часов.

Поскольку новые адреса электронной почты являются частью более широкой модели, сигнализирующей о мошенничестве с синтетической личностью, система оценки рисков банка автоматически запускает требования расширенной проверки, включая проверку на «живость» (liveness detection) с помощью ИИ. Затем система просит заявителя выполнить простые движения — например, повернуть голову, моргнуть и ответить на подсказки, — в то время как камера устройства фиксирует лицо под разными углами.

Запрос на проверку «живости» раскрывает обман: предположительно подлинные фотографии в удостоверении личности на самом деле были созданы с помощью генеративного ИИ. Поскольку мошенник мог предоставить только статические, синтетические фотографии, которые не соответствовали их реальной внешности, он был вынужден отказаться от своей заявки.

Лучшие практики использования ИИ для проверки документов

Рассмотрим две лучшие практики для максимизации эффективности проверки документов с помощью ИИ:

• Используйте несколько методов проверки — хотя мошенник может обойти одну проверку, сочетание анализа документов с помощью ИИ с биометрической проверкой, протоколами аутентификации и перекрестной проверкой источников данных создает более надежную защиту.
• Внедрите динамическую оценку рисков — уменьшите трения для доверенных пользователей, сосредоточив ручные проверки и дополнительную верификацию на случаях с высоким уровнем риска, что улучшит как предотвращение мошенничества, так и качество обслуживания клиентов.

2. Выполнение постоянного мониторинга транзакций

Машинное обучение отлично справляется с обнаружением тонких изменений в моделях транзакций, которые могут ускользнуть от внимания человека. Вместо того чтобы полагаться на жесткие правила, алгоритмы машинного обучения могут определять, что является «нормальным» для каждого клиента, и отмечать значимые отклонения — например, когда на неактивном счете внезапно появляются признаки мошенничества с кредитными картами, такие как высокоскоростные покупки или признаки мошенничества с платежами.

Преимущество автоматизации выходит за рамки распознавания образов. Модели машинного обучения отслеживают активность 24/7, автоматически эскалируя подозрительное поведение и помечая потенциально мошеннические транзакции, позволяя при этом проводить легитимные. Такой подход выборочного трения поддерживает безопасность, не нарушая реальную активность клиентов.

Когда потенциальное мошенничество помечено, команды по борьбе с мошенничеством должны оценить несколько точек данных (включая связанные транзакции, данные об устройстве и поведенческие модели), чтобы определить, требуется ли эскалация. Машинное обучение помогает оптимизировать этот процесс за счет уменьшения количества ложных срабатываний и автоматической приоритизации оповещений с высоким уровнем риска, позволяя командам сосредоточить свой опыт там, где он принесет наибольшую пользу.

Пример мониторинга транзакций на базе ИИ в действии

Модели машинного обучения кредитного союза выявили необычные модели расходов по нескольким клиентским счетам. Хотя отдельные транзакции были ниже типичных порогов мошенничества, ИИ обнаружил, что эти счета совершали идентичные покупки у одних и тех же розничных онлайн-продавцов электроники с разницей в несколько минут — это стало резким отклонением от их обычного поведения. Система автоматически отклонила последующие транзакции по этим счетам и оповестила отдел по борьбе с мошенничеством. Расследование показало, что счета были скомпрометированы в ходе скоординированной атаки по захвату учетных записей, вероятно, инициированной через фишинг, с целью приобретения дорогостоящей электроники для быстрой перепродажи.

Лучшие практики для постоянного мониторинга

Чтобы максимизировать преимущества мониторинга транзакций на базе ИИ, финансовым учреждениям следует придерживаться нескольких ключевых практик, которые повышают точность обнаружения, минимизируют ложные срабатывания и укрепляют общее управление рисками мошенничества.

• Установите базовые показатели поведения — обучайте модели на анонимизированных данных, чтобы изучить типичные модели активности по счетам, что позволит лучше выявлять реальные аномалии.
• Используйте многоуровневые сигналы — объединяйте мониторинг транзакций с анализом данных об устройствах и поведенческой аналитикой для получения более полной картины активности по счету.
• Постоянно проводите калибровку — настраивайте пороговые значения моделей и проверяйте оповещения на основе результатов, чтобы минимизировать ложные срабатывания и избежать «усталости от оповещений».

Хотите лучше понять угрозы, для обнаружения которых создан ИИ? Узнайте о различных типах мошенничества

3. Пресечение скоординированных мошеннических атак с помощью адаптивного ИИ

Согласно отчету Alloy «2025 State of Fraud Benchmark Report», 71% финансовых организаций назвали профессиональные преступные группировки своей основной угрозой мошенничества. Эти скоординированные группы могут подавать сотни заявок за считанные минуты, тестируя различные комбинации украденных или синтетических идентификационных данных, пока не найдут те, которые сработают.

Инструменты адаптивного ИИ, такие как Fraud Attack Radar от Alloy, могут помочь обнаружить эти скоординированные атаки путем анализа моделей подачи заявок в режиме реального времени. Вместо того чтобы оценивать заявки по отдельности, модель ИИ Fraud Attack Radar просматривает всю очередь заявок учреждения, чтобы выявить подозрительные закономерности — например, несколько заявок с общими IP-адресами или схожими форматами электронной почты.

Когда Fraud Attack Radar обнаруживает потенциальную атаку, он не просто оповещает отдел по борьбе с мошенничеством. Он позволяет немедленно принять меры через рабочие процессы в «безопасном режиме» с усиленными мерами безопасности, которые могут быть активированы мгновенно. Это позволяет учреждениям продолжать работу, устраняя угрозу, вместо того чтобы полностью блокировать каналы подачи заявок.

Пример того, как ИИ останавливает мошеннические атаки в режиме реального времени

Недавно кредитный союз обнаружил несколько подозрительных заявок на открытие счета, поступивших с парковки Walmart. Хотя каждая заявка выглядела нормально в отдельности, Fraud Attack Radar обнаружил, что десятки заявок поступают с одного и того же IP-адреса. Система автоматически пометила эти заявки как связанные и активировала требования дополнительной проверки. В результате кредитный союз быстро адаптировался, применив блокировку на основе IP, что остановило деятельность мошеннической группы до того, как были созданы какие-либо фальшивые счета.

Лучшие практики по пресечению атак с использованием ИИ-детекции мошенничества

Вот ключевые практики для эффективного обнаружения атак в режиме реального времени, основанные на реальных отзывах и опыте:

• Подготовьте рабочие процессы для «безопасного режима» — разработайте более строгие политики проверки, которые можно активировать немедленно при обнаружении атак. Это позволит вам держать воронку открытой для заявителей с низким уровнем риска, одновременно устраняя угрозы.
• Добавьте дополнительную проверку в протоколы безопасности — создание препятствий, таких как проверка документов при подозрении на атаку, часто заставляет мошенников отказаться от своих попыток.
• Отслеживайте показатели скорости — следите за необычными всплесками объема заявок или такими закономерностями, как общие IP-адреса, форматы электронной почты или характеристики устройств.
• Автоматизируйте адаптивные ответы политики — настройте свои рабочие процессы так, чтобы автоматически увеличивать сложность проверки или инициировать ручной анализ на основе меняющихся уровней риска, не нарушая работу с клиентами с низким уровнем риска.

Узнайте, как Fraud Attack Radar от Alloy помогает остановить скоординированные мошенничеческие атаки

4. Объединение данных об онбординге и текущей активности для комплексного обнаружения рисков

В то время как некоторые ИИ-инструменты ищут закономерности в нескольких заявках, другие анализируют поведение отдельного клиента на протяжении всего периода его отношений с вашей организацией. Вместе эти различные типы моделей ИИ формируют основу для комплексной защиты от мошенничества с помощью машинного обучения.

Одной из таких моделей является Fraud Signal от Alloy. Fraud Signal создает комплексный профиль риска, объединяя сигналы из данных онбординга (например, проверка персональных данных, информация об устройстве), транзакционных данных, изменений в счете и неденежных сигналов. В отличие от традиционных моделей сущностей, которые фокусируются исключительно на транзакциях в рамках конкретных платежных систем, Fraud Signal агрегирует сигналы риска по всем платежным каналам и типам событий. Это обеспечивает полное представление о рисках во всех точках взаимодействия с высоким уровнем риска на протяжении всего жизненного цикла клиента, от открытия счета до текущей активности.

Этот подход особенно эффективен для обнаружения мошенничества с новыми счетами, когда мошенников необходимо поймать до того, как они успеют создать значительную историю транзакций. Fraud Signal от Alloy может обнаруживать модели мошенничества, которые не вызвали бы традиционных оповещений — например, внезапная необычная активность по «спящему» счету или тонкие изменения в поведении, которые могут указывать на захват учетной записи (ATO).

Узнайте, как обнаружить мошенничество с захватом учетной записи

Пример того, как ИИ-модели, такие как Fraud Signal от Alloy, работают для объединения данных об онбординге и текущей активности клиентов

Недавно открытый счет казался немного рискованным, но недостаточно для того, чтобы банк-эмитент отклонил заявку. Через несколько месяцев активности клиент изменил свой почтовый адрес и инициировал несколько крупных переводов, используя различные способы оплаты. Хотя каждое действие само по себе казалось невинным, Fraud Signal связал их с данными онбординга клиента и распознал эту модель как потенциально мошенническую. Система инициировала дополнительные шаги проверки, выявив мошенничество с новым счетом, которое мониторинг только транзакций полностью упустил бы из виду.

Лучшие практики для объединения данных об онбординге и текущей активности клиентов

Чтобы достичь более комплексного предотвращения мошенничества путем объединения данных об онбординге и текущей активности, следуйте этим практикам:

• Соединяйте исторические и новые поведенческие сигналы — связывайте начальные данные проверки при онбординге (например, документы, удостоверяющие личность, и информацию об устройстве) с текущими моделями поведения, чтобы создать непрерывное описание рисков для каждого клиента.
• Обогащайте профили альтернативными данными — дополняйте традиционные наборы данных альтернативными источниками, такими как оплата коммунальных услуг и проверка занятости. Это создает более полную картину уровней риска клиента при онбординге и в дальнейшем.
• Используйте данные обратной связи — передавайте подтвержденные результаты мошенничества (например, закрытые счета или отмены транзакций) обратно в свои модели, чтобы со временем повысить их точность. Этот подход «замкнутого цикла» позволяет системам ИИ учиться на реальных случаях мошенничества и адаптироваться к новым схемам.

Поскольку тактика мошенников постоянно меняется — особенно с появлением инструментов генеративного ИИ, которые создают более сложные фальшивые личности, — финансовые организации должны постоянно оценивать и адаптироваться к различным уровням этих развивающихся угроз на протяжении всего жизненного цикла клиента. Поведенческий анализ помогает выявить подозрительную активность, которую могут не заметить традиционные системы, основанные на правилах, что позволяет учреждениям адаптировать свою защиту к каждому уникальному профилю риска.

Многие финансовые организации не полагаются на один источник данных для обнаружения мошенничества, и им не следует этого делать. Именно здесь на помощь приходит платформа оркестрации данных, такая как Alloy. Alloy подключается к десяткам надежных поставщиков данных, чтобы получать сотни сигналов идентификации, поведенческих инсайтов и моделей машинного обучения для принятия обоснованных решений. Объединяя новые данные и оценки рисков от сторонних источников с вашими собственными внутренними данными, Alloy помогает создавать более точные системы ИИ, которые улучшают обнаружение аномалий как на уровне учетной записи, так и на уровне организации.

5. Оптимизация стратегии борьбы с мошенничеством и политики рисков

Машинное обучение может помочь финансовым организациям улучшить свои стратегии предотвращения мошенничества с течением времени путем анализа показателей одобрения, отказов и моделей ручной проверки. Эти системы могут рекомендовать обновления политики, которые повышают эффективность обнаружения мошенничества, сохраняя при этом удобство процесса регистрации клиентов.

Пример работы ИИ для оптимизации политики

После резкого роста числа мошеннических заявок на получение кредита финтех-компания использовала свою модель оптимизации политики для анализа тенденций одобрения и отказа. Система выявила тонкую корреляцию: заявки с несовпадающей информацией о работодателе и непроверяемыми доменами электронной почты с гораздо большей вероятностью приводили к мошенничеству в будущем. Настроив свой рабочий процесс так, чтобы запускать усиленную проверку для таких шаблонов, финтех-компания смогла остановить волну атак с использованием синтетических личностей, улучшив предотвращение мошенничества без создания препятствий для добросовестных пользователей.

То, на выявление чего раньше уходили дни ручного анализа (и что могло ускользнуть от традиционных систем, основанных на правилах), теперь можно идентифицировать и остановить с помощью обнаружения мошенничества в режиме реального времени, что значительно ускоряет время реагирования и снижает риски.

Лучшие практики оптимизации политики

Эффективное управление политикой требует стратегического подхода, который балансирует между безопасностью и пользовательским опытом:

• Отслеживайте ключевые показатели — следите за показателями одобрения, частотой ручных проверок и убытками от мошенничества, чтобы понять, как изменения политики влияют как на безопасность, так и на клиентский опыт.
• Тестируйте перед развертыванием — используйте исторические данные для проверки изменений политики перед их внедрением в рабочие процессы.
• Будьте адаптивны — регулярно пересматривайте и обновляйте политики по мере развития тактики мошенничества и появления новых схем.
• Балансируйте между трением и риском — оптимизируйте политики, чтобы добавлять трение выборочно в зависимости от уровня риска, а не применять общие правила ко всем.

Останавливайте мошеннические атаки, не останавливая добросовестных клиентов

Поскольку использование мошенниками технологий ИИ становится все более изощренным, финансовым организациям необходима комплексная защита, которая развивается вместе с угрозами. Наиболее эффективный подход сочетает в себе сильные фундаментальные основы с передовыми возможностями ИИ. Практические инструменты ИИ, такие как Fraud Signal и Fraud Attack Radar, в сочетании с агентным ИИ, который выполняет автономное обнаружение мошенничества.

Узнайте больше об инструментах Actionable AI от Alloy