Для банковского сектора появление искусственного интеллекта стало палкой о двух концах. С одной стороны, он ускоряет анализ данных, улучшает обслуживание клиентов и усиливает принятие решений. С другой стороны, традиционные стратегические подходы банков к борьбе с мошенничеством начали давать сбой под натиском угроз, создаваемых с помощью ИИ, что вызывает необходимость пересмотреть свои стратегии обнаружения и предотвращения мошенничества.

Мы рассматриваем сдвиг в мерах по предотвращению мошенничества, оцениваем влияние традиционного и усиленного ИИ мошенничества на организации и их клиентов, а также исследуем, как банки адаптируют борьбу с мошенничеством к возникающим паттернам финансовых преступлений.

Основные выводы

Банковское мошенничество эволюционировало от фишинговых писем и украденных карт к более изощренным методам, включая клонирование голоса, дипфэйки и автоматизированные мошеннические схемы.
ИИ также совершенствует традиционное мошенничество. Известные схемы становятся быстрее, убедительнее и их проще масштабировать, что затрудняет их обнаружение и предотвращение.
Искусственный интеллект также трансформирует предотвращение мошенничества в банках. Алгоритмы машинного обучения обнаруживают аномалии в реальных данных, снижают количество ложноположительных срабатываний и адаптируются к меняющейся тактике мошенников.
Современные стратегии предотвращения мошенничества в банках объединяют обнаружение мошенничества с помощью ИИ, обучение сотрудников повышению осведомленности, единую аналитику мошенничества и улучшенную защиту клиентов.

Предотвращение мошенничества в банках: обзор

На протяжении десятилетий финансовый сектор отставал от технологических инноваций из-за устаревших систем, фрагментированных моделей владения и конкурирующих приоритетов, таких как рост, клиентский опыт и риски. Даже сегодня фрагментированные данные и разрозненные инструменты, наряду с организационными и структурными ограничениями, препятствуют внедрению новых технологий.

Организации, которые не успевают адаптироваться, страдают от кражи средств, подрыва доверия и регуляторных штрафов, поскольку мошенники не упускают возможностей, когда видят их. С ростом популярности ИИ ставки становятся еще выше, а битва между преступниками и банками превращается в гонку вооружений в сфере ИИ. Победителем окажется та сторона, которая быстрее учится, адаптируется к изменениям и эффективнее внедряет технологии.

Сегодня традиционные методы предотвращения мошенничества, применяемые банками, становятся неэффективными, если они не подкреплены современными технологиями, включая ИИ. Однако сам ИИ создает новые риски для качества данных, управления и кибербезопасности.

Меры, принимаемые банками для предотвращения мошенничества. Source

Эволюция регулирования использования ИИ в различных сферах, включая банковскую, создает для финансовых институтов новые проблемы. Теперь они должны не только доказывать, что борются с мошенничеством, но и показывать, что результаты, производимые системами ИИ, заслуживают доверия и поддаются проверке. Недавнее достижение в области соблюдения нормативных требований – поправка к Закону ЕС об искусственном интеллекте – дает компаниям, разрабатывающим системы ИИ с высоким уровнем риска, больше времени на подготовку к вступлению в силу новых требований. Несмотря на перенос некоторых сроков, некоторые обязательства по прозрачности и управлению все же вступают в силу 2 августа 2026 года.

Традиционное мошенничество против мошенничества с использованием ИИ в банковской сфере

Мошенничество на базе ИИ в последнее время затмило традиционное мошенничество, осуществляемое людьми, однако традиционные формы мошенничества по-прежнему остаются серьезной проблемой. Обладая многолетним опытом, банки могут лучше корректировать существующие правила обнаружения и выявлять подозрительную активность на более ранних этапах с учетом ручных ограничений и устоявшихся паттернов. Тем не менее, даже мошенничество со стороны людей может быть достаточно изощренным, чтобы его пропустили системы безопасности.

Традиционные виды мошеннической деятельности включают в себя:

Захват учетной записи. Преступники получают несанкционированный доступ к счету клиента с целью хищения средств или неправомерного использования личной информации. Взлом происходит через украденные учетные данные, фишинг или социальную инженерию.
Кража личных данных. Несанкционированное использование личной информации — номеров удостоверений личности, имен или учетных данных — с целью выдачи себя за жертв и открытия мошеннических счетов, подачи заявок на кредит или поддержки преступной деятельности.
Платежное мошенничество. Обманные или несанкционированные действия, связанные с финансовыми транзакциями через цифровые кошельки, карты, банковские переводы и онлайн-банкинг.
Мошенничество с авторизованными переводами по инициативе отправителя (APP). Клиентов манипулятивными методами или обманом заставляют подтверждать платежи на мошеннические счета.
Внутреннее мошенничество. Происходит, когда сотрудники или лица, которым доверяют, злоупотребляют законным доступом или полномочиями в личных целях. Может привести к значительным убыткам для финансовых институтов.
Компрометация корпоративной электронной почты. Преступники выдают себя за сотрудников или руководителей, чтобы совершать несанкционированные платежи или раскрывать конфиденциальную информацию.
Мошеннические звонки. Мошенники связываются с жертвами, играя на доверии людей и чувстве срочности, чтобы манипулировать ими с целью перевода денег, разглашения паролей или отправки кодов подтверждения.

Вдобавок к этому, некоторые традиционные методы мошенничества могут переплетаться, порождая гибридные схемы. Например, клиент может получить фальшивое электронное письмо от банка, за которым следует телефонный звонок с требованием подтвердить информацию. Этот тип стирает грань между обычным мошенничеством и более сложными финансовыми преступлениями с использованием ИИ. ИИ, в свою очередь, порождает совершенно новые типы банковского мошенничества и совершенствует существующие, делая их более убедительными.

Ассоциация сертифицированных специалистов по борьбе с мошенничеством (ACFE) выделила четыре основные схемы мошенничества с использованием ИИ, которые продемонстрировали значительный рост за последние два года в различных отраслях. 55% респондентов их опроса ожидают дальнейшего роста подделки документов и социальной инженерии с использованием генеративного ИИ в течение следующих 24 месяцев.

Наиболее быстро растущие схемы мошенничества на базе ИИ за последние два года.

Основные паттерны финансовых преступлений с использованием ИИ:

Фишинговые письма, созданные с помощью ИИ. Мошенники используют генеративный ИИ для создания большого количества убедительных мошеннических сообщений. Фишинг как услуга (Phishing-as-a-Service) также появился как бизнес-модель киберпреступности с готовыми программными решениями для фишинга.
Клонирование голоса и дипфэйк-имперсонация. Преступники создают реалистичные синтетические аудио-, видеозаписи или изображения, имитирующие доверенных лиц — генеральных директоров, сотрудников банков, техподдержку, бухгалтеров, правительственных чиновников.
Синтетические личности. Мошенники создают вымышленные личности, комбинируя реальную и фальшивую информацию. Искусственные профили могут проходить верификацию, поэтому мошенники могут проводить транзакции или получать кредиты.
Автоматизированная социальная инженерия. Инструменты на базе ИИ используются для создания, персонализации и управления обманными взаимодействиями с жертвами.
Создание дроп-аккаунтов с помощью ИИ. Технология помогает преступникам создавать, администрировать или управлять счетами, через которые переводятся незаконные средства.

Что это значит для банков? Изменение ландшафта банковского мошенничества заставляет организации адаптировать свои стратегии, внедрять новые методы и инструменты предотвращения мошенничества, а также переходить к оценке рисков в реальном времени.

Почему традиционное предотвращение мошенничества оказывается неэффективным

Еще до появления ИИ мир заметил рост объемов данных, транзакций и цифровых платежей. Одна из крупнейших международных платежных систем, Visa, сообщила $257.5 billion transactions в 2025 году об увеличении на 44,9 миллиарда долларов по сравнению с 2023 годом. Параллельно общая стоимость цифровых платежей продолжает расти со среднегодовым темпом роста (CAGR) в 4,31% и, по прогнозам, к 2031 году достигнет 46,25 триллиона долларов. Весь этот бурный рост и развитие меняют принципы работы банков и поставщиков финансовых услуг. То же самое относится и к мошенникам.

ИИ сделал эту среду еще более динамичной. Проблема заключается в том, что старые стратегии предотвращения мошенничества перестают эффективно работать в новых условиях. Реактивные средства контроля мошенничества хорошо работали в гораздо более медленном мире, но они больше не могут точно обнаруживать быстрое, масштабируемое и адаптируемое мошенничество с поддержкой ИИ.

Статические правила

Системы на основе правил оказались медленно адаптирующимися к меняющимся схемам мошенничества. Они полагаются на заранее определенные условия, такие как необычные суммы транзакций, местоположения или схемы расходов, для определения угроз и хорошо работают только со знакомыми схемами. Когда дело доходит до новых вызовов, их необходимо обновлять вручную для корректной работы, что дает киберпреступникам возможность применять новые тактики до обновления.

Большое количество ложноположительных срабатываний

По мере изменения моделей расходов устаревшие системы могут отмечать динамичное поведение пользователей как мошенническое, подозрительное или рискованное, тем самым ухудшая клиентский опыт. Например, мобильный банкинг сделал ночной вход в систему или покупки из нескольких мест в течение дня абсолютно нормальными явлениями. Для банков чрезмерное количество ложных срабатываний, производимых такими системами, увеличивает операционные расходы. Это перегружает команды по борьбе с мошенничеством, чьи навыки в противном случае могли бы быть направлены на более сложные и ценные задачи.

Ограниченный контекст

Традиционные системы предотвращения мошенничества оценивают отдельные транзакции, упуская из виду более широкий контекст клиента и затрудняя выявление сложных мошеннических схем. Современная банковская индустрия применяет комплексный анализ поведенческих паттернов, данных устройств, геолокации, исторической активности и межканальных взаимодействий для обнаружения сложного мошенничества и снижения количества ложных срабатываний.

Изолированный мониторинг мошенничества

Устаревшие системы и изолированные источники данных ограничивают видимость мошенничества по всем каналам. В результате программное обеспечение по борьбе с мошенничеством может испытывать трудности с обнаружением сложных многоуровневых схем мошенничества. Централизованные системы, напротив, позволяют осуществлять мониторинг платежных карт, онлайн-банкинга, банковских переводов и клиентских профилей через единую систему и выявлять скоординированные или многоэтапные атаки мошенников.

Генеративный ИИ и пробел в обнаружении мошенничества

Последние достижения в области ИИ сделали обнаружение мошенничества все более сложной задачей. Во многом это связано с тем, что модели генеративного ИИ значительно расширяют возможности создания мошеннического контента, предлагая при этом ограниченную помощь в борьбе с мошенничеством. Характер новейших больших языковых моделей (LLM) и других генеративных моделей играет в этом свою роль: они опираются на ассоциативные правила, которые полезны для творческих задач (а мошенничество в какой-то степени можно рассматривать как творческую задачу), но при этом печально известны генерацией галлюцинаций. Эти галлюцинации представляют серьезный риск при работе с конфиденциальными банковскими данными, что делает применение таких моделей крайне ограниченным из-за потенциальных угроз.

Как обнаружение мошенничества на базе ИИ в банковской сфере меняет ситуацию

На протяжении жизненного цикла клиента и транзакции три области наиболее подвержены мошенничеству: привлечение клиентов (верификация личности), аутентификация и доступ к аккаунту, а также платежи и транзакции. На каждом уровне обнаружение мошенничества с помощью ИИ может изменить ситуацию путем проверки личностей, оценки риска входа в систему и анализа платежных паттернов для свогевременной блокировки подозрительных транзакций.

Тем не менее, для корректной работы движкам ИИ и моделям машинного обучения требуется доступ к большому объему высококачественных данных для обучения. Данные также должны быть богатыми по признакам, разнообразными и релевантными, чтобы алгоритм мог принимать точные решения.

Поведенческая аналитика

Современная поведенческая аналитика анализирует поведение пользователей и задает эталон того, что считается «нормальной» активностью клиента, а что требует дополнительных проверок или даже блокировки транзакции либо заморозки счета. В этом процессе ИИ помогает обнаруживать скрытые аномалии, анализируя миллионы пользовательских событий в день. К числу распространенных поведенческих сигналов относятся:

Динамика нажатий клавиш
Время и частота входов в систему
Характеристики устройств
Платежное поведение
Сетевая информация
Движения мыши и сенсорные жесты
Шаблоны навигации в приложении
Географическое положение и схемы поездок

Передовые методы машинного обучения, такие как графовые нейронные сети, глубокое обучение, кластеризация и модели классификации, еще больше усиливают поведенческую аналитику. Они позволяют банкам находить скрытые группы мошенников, группировать схожие модели поведения для обнаружения необычной активности и распознавать сложные паттерны.

Недавно Nasdaq объединила платформу обнаружения мошенничества с возможностями поведенческой аналитики BioCatch для более эффективного различения легитимных пользователей и мошенников. Такое усиление мер по борьбе с мошенничеством обусловлено тревожной статистикой за период с 2022 по 2025 год, которая показывает рост мошенничества, связанного с ИИ (рост на 60%), увеличение числа случаев криптовалютного мошенничества (на 80%) и внезапный рост захватов учетных записей (на 50%).

Расследование при поддержке генеративного ИИ

Большие языковые модели, агенты ИИ и аналитические инструменты облегчают анализ дел о мошенничестве, делая работу следователей более быстрой и точной. Профессионалам не нужно тратить часы на проверку истории транзакций, связей между аккаунтами и записей общения. Генеративный ИИ выступает в качестве помощника в расследовании. Он извлекает и суммирует данные, помогает выявить скрытые связи между кажущимися несвязанными делами и составляет черновики отчетов о расследовании. В свою очередь, окончательные решения принимают люди-следователи.

Алгоритмическая верификация личности

Помимо поведенческой аналитики, модели машинного обучения отлично справляются с верификацией личности. Они анализируют черты лица для предотвращения выдачи себя за другого человека, проверяют документы, автоматически проверяя их на предмет согласованности, и с высокой точностью распознают биометрические паттерны. Алгоритмы машинного обучения совершенствуют многоуровневые системы, позволяя организациям предоставлять безопасные услуги цифрового банкинга.

Машинное обучение для верификации личности помогает банкам и финансовым организациям поддерживать доверие клиентов: 93% респондентов опроса Mastercard говорят, что беспокоятся о возможном хищении личных данных или мошенничестве, в то время как 71% сообщают, что не стали бы использовать мобильное приложение или веб-сайт компании, если бы столкнулись с мошенническими действиями. В то же время пользователи ожидают тщательной и точной верификации личности; 92% рассчитывают на беспрепятственный и удобный процесс. Это оказывает давление на банки, поскольку они должны соблюдать баланс между удобством для пользователя и безопасностью.

Мониторинг транзакций в реальном времени

Переход к анализу в реальном времени позволяет банкам анализировать транзакции по мере их совершения. В отличие от традиционных инструментов предотвращения и обнаружения мошенничества, модели машинного обучения могут выявлять подозрительную активность за миллисекунды и обнаруживать новые типы мошенничества.

Алгоритмы обрабатывают десятки сигналов от реальных транзакций, включая сумму, валюту и тип платежа. Они проверяют, соответствует ли текущий платеж типичному поведению клиента, используя такие параметры, как нормальная частота транзакций и типичные места их проведения. Система также задействует специальные сигналы безопасности, включая ID устройства, IP-адрес и информацию о браузере, чтобы эффективно противодействовать мошенничеству с кредитными/дебетовыми картами и отмыванию денег.

Адаптивный скоринг рисков

Механизмы оценки рисков на базе ИИ помогают банкам динамически оценивать риск мошенничества, связанный с поведением клиентов, включая попытки входа в систему и транзакции, путем анализа контекстуальных факторов. Система обучается на исторических данных о пользовательских транзакциях, типичных суммах расходов и распространенных продавцах. Когда происходит транзакция, механизм собирает широкий спектр сигналов: от аналитики устройств до индикаторов личности. Затем алгоритм машинного обучения анализирует их в совокупности и присваивает оценку вероятности мошенничества с рекомендациями по дальнейшим действиям.

Предиктивная аналитика

Еще один важный аспект использования искусственного интеллекта в обнаружении мошенничества — предиктивная аналитика. В сочетании с большими данными в банковской сфере предиктивная аналитика позволяет делать точные прогнозы будущих событий.

Она может помочь в следующем:

Проведение SWOT-анализа для выявления потенциальных слабых мест и способов их устранения;
Выявление мошеннических действий, которые с наибольшей вероятностью произойдут на основе ваших исторических данных;
Прогнозирование поведения клиентов;
Оценка кредитных рисков и кредитоспособности.

Предиктивная аналитика в основном используется в кредитовании, хотя она также может выявлять другие рисковые зоны, которые могут остаться без внимания.

Имитационные модели

Еще один мощный метод обнаружения мошенничества на основе ИИ в банковской сфере — создание виртуальной среды, имитирующей реальную. Используя это моделирование, банки могут безопасно тестировать свои стратегии предотвращения мошенничества и эмулировать кибератаки, чтобы оценить степень защищенности своих систем. Самое лучшее в таких имитационных моделях заключается в том, что организации не рискуют своими финансовыми активами, при этом точно прогнозируя риски и оценивая эффективность своих инструментов обнаружения банковского мошенничества.

Обучение с учителем и без учителя для прогнозирования мошенничества

Финансовые институты применяют контролируемое и неконтролируемое машинное обучение, чтобы научить модели МО распознавать потенциальную мошенническую деятельность и помечать ее.

Контролируемое машинное обучение

Метод контролируемого машинного обучения предполагает, что модели МО обучаются на предварительно размеченных наборах данных. Таким образом, модели «указывают», какие данные являются легитимными, а какие — мошенническими. Цель модели МО — распознавать подозрительные транзакции и самостоятельно выявлять их в будущем. Примерами мошеннических транзакций являются помеченные IP-адреса или переводы на адрес с высоким уровнем риска. В результате обучения модель МО может выявлять аномалии, соответствующие известным индикаторам мошенничества.

Неконтролируемое машинное обучение

Поскольку схемы мошенничества постоянно развиваются, одного лишь контролируемого машинного обучения недостаточно для обнаружения вновь выявленных угроз. Здесь на помощь приходит обучение без учителя. Этот метод анализирует сырые неразмеченные данные. Модель учится обнаруживать тонкие, неочевидные мошеннические паттерны и поэтому с большей вероятностью обнаружит ранее не распознанные угрозы.

Обучение с учителем высокоэффективно при обнаружении известных угроз. Напротив, обучение без учителя хорошо подходит для вновь обнаруженных или возникающих угроз. Комбинация обоих методов усиливает обнаружение мошенничества за счет охвата более широкого спектра рисков. Но прежде чем создавать и запускать модель МО, вам придется собрать и подготовить данные, с которыми она будет работать. Работа с опытной командой специалистов по машинному обучению, обладающих богатым опытом предоставления услуг по разработке финансового программного обеспечения, поможет гарантировать, что разработанная модель МО будет на 100% совместима с вашей системой, а также надежна и безопасна.

Реальные приложения ИИ для обнаружения мошенничества

Ниже приведены примеры систем и функций обнаружения мошенничества на базе ИИ, которые помогают банкам точно выявлять мошенничество в режиме реального времени.

Функция обнаружения мошенничества с помощью ИИ от Google на Android

Технологические компании поддерживают усилия банков и финансовых институтов по борьбе с мошенничеством. Чтобы защитить пользователей от мошенничества с выдачей себя за другое лицо, Google внедрила функцию обнаружения поддельных вызовов для Android (доступна в приложении «Телефон от Google»). Программа определяет поддельные номера с измененным идентификатором вызывающего абонента, уведомляет пользователя и может автоматически завершать такие звонки.

Как это работает?

Вы получаете звонок, судя по всему, из вашего банка
Android отправляет запрос в приложение для проверки вызова
Если подтверждение не получено, приложение завершает вызов

Google планирует внедрить эту функцию на устройствах с Android 11+ совместно с Revolut, Itaú и Nubank, а позже распространить ее на другие банки. Как видите, сотрудничество между технологическими компаниями и финансовыми институтами может усилить предотвращение мошенничества, защищая клиентов от мошенничества с использованием ИИ.

Платформа ИИ от NVIDIA

Одна из крупнейших технологических компаний, NVIDIA, предлагает специализированную платформу ИИ для обнаружения мошенничества для банков, платежных провайдеров и компаний электронной коммерции. Решение объединяет графические процессоры, фреймворки ИИ, машинное обучение, графовую аналитику и обработку данных в реальном времени для точного выявления подозрительных транзакций.

Распространенные варианты использования включают обнаружение мошенничества с кредитными картами, предотвращение мошенничества с цифровыми платежами, борьбу с отмыванием денег и многое другое. Используя широкую инфраструктуру NVIDIA, компания обеспечивает более быстрое обучение моделей ИИ, инференс и эффективное масштабирование при больших объемах транзакций.

Decision Intelligence от Mastercard

В эпоху искусственного интеллекта и продвинутого мошенничества глобальные компании, занимающиеся платежными технологиями, не остались в стороне. Mastercard представила своим клиентам продукт Decision Intelligence. Решение представляет собой платформу оценки рисков с моделями ИИ, которые были обучены на огромных массивах данных компании. Mastercard расширила сферу ее применения за пределы транзакций Mastercard, позволив всем банкам-эмитентам улучшить управление рисками мошенничества, сократить количество ложноположительных срабатываний и снизить затраты на обслуживание клиентов с помощью решения Decision Intelligence.

Инструмент обнаружения мошенничества на основе машинного обучения от American Express

Учитывая растущее число случаев мошенничества с кредитными картами, которые обходятся клиентам из США примерно в 11 миллиардов долларов в год, компания American Express решила использовать машинное обучение для улучшения процессов обнаружения мошенничества. Компания развернула модели глубокого обучения для создания мощного инструмента обнаружения мошенничества на базе ИИ. Инструмент сочетает в себе рекуррентные нейронные сети (RNN) с долгой краткосрочной памятью (LSTM) для немедленного обнаружения аномалий в огромных объемах транзакционных данных. В результате American Express смогла повысить точность обнаружения мошенничества на 6% в определенных сегментах и теперь использует усовершенствованную и более мощную модель МО под названием Gen X.

Решение PayPal для обнаружения мошенничества

Другим примером глобальной финансовой компании, использующей искусственный интеллект для обнаружения мошенничества, является PayPal. Еще в 2019 году компания объединилась с надежным поставщиком программного обеспечения для разработки решения по обнаружению мошенничества, которое работало бы круглосуточно по всему миру и могло выявлять потенциальное мошенничество в режиме реального времени. В результате PayPal смогла не только обрабатывать огромные объемы пользовательских транзакций, но и снизить нагрузку на серверы, что в конечном итоге позволило улучшить обнаружение мошенничества в реальном времени на 10%. Сегодня компания предлагает различные решения для управления рисками и борьбы с мошенничеством, чтобы гарантировать максимальную защиту данных и транзакций своих клиентов.

Внедрение ИИ Министерством финансов США

В 2023 финансовом году Министерство финансов США смогло вернуть 375 миллионов долларов благодаря внедрению ИИ в процесс обнаружения мошенничества. На это решение повлиял тот факт, что в 2021 году из-за пандемии количество случаев мошенничества с чеками резко возросло на 385%. Чтобы решить эту проблему, Министерство финансов применило искусственный интеллект и с тех пор совершенствует свои методы обнаружения мошенничества.

Ограничения инструментов ИИ для обнаружения мошенничества

При всех преимуществах внедрение ИИ в банковской сфере далеко от идеала. Ни одно программное обеспечение не может гарантировать 100% обнаружение мошенничества, поскольку тактики мошенников и технологии постоянно развиваются. Вот в чем ИИ все еще уступает:

Отсутствие прозрачности при выявлении позитивных результатов. Некоторые модели ИИ работают по принципу «черного ящика», из-за чего трудно понять логику их решений.
Упущение региональной специфики. ИИ может не до конца учитывать региональные различия в поведении пользователей, которые могут влиять на взаимодействие с клиентами и финансовые оценки.
Сильная зависимость от качества данных. Если модель обучается на неточных или несбалансированных данных, она будет выдавать ненадежные результаты и принимать ошибочные решения.
Проблемы предвзятости и справедливости. ИИ может перенимать предвзятость из исторических данных и принимать несправедливые решения при использовании для скоринга кредитоспособности или оценки клиентских рисков.
Ограниченность человеческого суждения. ИИ не способен понять уникальные ситуации клиентов, личные обстоятельства или потребности. Для принятия сложных решений необходим контроль со стороны человека.

В целом, ни традиционные инструменты обнаружения мошенничества, ни системы на базе ИИ сами по себе не являются достаточными при использовании в изоляции. Надежная стратегия борьбы с мошенничеством сочетает в себе технологии, анализ данных и человеческий опыт.

Как построить современную стратегию предотвращения мошенничества

Итак, как предотвратить мошенничество? Адаптивная стратегия предотвращения мошенничества объединяет различные компоненты, поэтому технология — это лишь часть головоломки. Поскольку количество мошеннических схем продолжает расти, приводя к глобальным убыткам в размере 579,4 миллиарда долларов, банки должны защищать клиентов, средства и активы.

Внедрение технологий

Важнейшим шагом в модернизации ваших инструментов и систем предотвращения и обнаружения мошенничества является инвестирование в технологии. Цель состоит в том, чтобы перейти от статических решений на основе правил к обнаружению в реальном времени с помощью ИИ, поведенческой аналитике и предиктивной оценке рисков. Вы можете сосредоточиться на моделях машинного обучения, внедрить генеративный ИИ для помощи аналитикам или внедрить системы мониторинга транзакций в реальном времени.

Выбирая между заказной разработкой ИИ и сторонними платформами, крупные банки склонны комбинировать эти подходы. Например, банк может использовать собственную базовую модель, но дорабатывать ее на основе данных своих клиентов и транзакций. Тем не менее, заказная разработка средств борьбы с мошенничеством необходима, когда готовые решения не могут удовлетворить потребности организации — при наличии специфических для организации паттернов мошенничества, сложной системной интеграции или жестких требований к конфиденциальности и безопасности данных.

Средние расходы на технологии обнаружения мошенничества. Source

Внутренние меры

Защита интересов клиентов

Некоторые современные методы включают в себя:

Сезонные кампании, приуроченные к праздникам
Обучение пользователей «на ходу»