Для банковской индустрии 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 стратегии банков по борьбе с мошенничеством начали давать сбой под натиском угроз, создаваемых с помощью ИИ, что вызвало необходимость пересмотреть методы обнаружения и предотвращения мошеннических действий.

Мы рассмотрим сдвиг в мерах по предотвращению мошенничества, оценим влияние традиционного и усиленного ИИ мошенничества на организации и их клиентов, а также изучим, как банки адаптируют защиту к возникающим паттернам финансовых преступлений.

Основные выводы

Банковское мошенничество эволюционировало от фишинговых писем и краденых карт до более изощренных методов, включая клонирование голоса, дипфейки и автоматизированные схемы обмана.

ИИ совершенствует и 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 выявляют аномалии в реальных данных, снижают количество ложноположительных срабатываний и адаптируются к меняющейся тактике злоумышленников.

Современные стратегии предотвращения мошенничества в банках сочетают ИИ-обнаружение угроз, обучение сотрудников, 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. С появлением ИИ ставки возрастают еще больше, и борьба между преступниками и банками превращается в гонку вооружений на базе ИИ. Победителем станет 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 по себе ИИ создает новые риски для качества данных, управления и кибербезопасности.

Меры, принимаемые банками для предотвращения мошенничества. Источник

Эволюция регулирования использования ИИ в различных сферах, включая банковскую, создает для финансовых институтов новые вызовы. Теперь им нужно не только доказывать, что они борются с мошенничеством, но и показывать, что результаты работы систем ИИ заслуживают доверия и поддаются проверке. Недавнее достижение в области комплаенса – поправка к Закону ЕС об искусственном интеллекте – дает компаниям, разрабатывающим системы ИИ высокого риска, больше времени на подготовку к новым требованиям, вступающим в силу. Несмотря на сдвиг некоторых сроков, некоторые обязательства по прозрачности и управлению все равно вступят в силу 2 августа 2026 года.

Традиционное и усиленное ИИ мошенничество в банковской сфере

Мошенничество на базе ИИ в последнее время затмило традиционные виды мошенничества, управляемые людьми, однако традиционные формы по-прежнему остаются серьезной проблемой. Обладая многолетним опытом, банки могут лучше корректировать существующие правила обнаружения и выявлять подозрительную активность на более ранних этапах, учитывая ограничения ручного труда и устоявшиеся паттерны. Тем не менее, даже мошенничество без участия ИИ может быть достаточно изощренным, чтобы ускользнуть от систем безопасности.

Традиционные виды мошеннической деятельности включают в себя:

Захват учетной записи. Преступники получают несанкционированный доступ к аккаунту клиента для хищения средств или неправомерного использования личной информации. Взлом происходит через украденные учетные данные, фишинг или социальную инженерию.

Кража личных данных. Несанкционированное использование персональных данных (номера удостоверений личности, имена или учетные данные) для выдачи себя за жертв и открытия мошеннических счетов, подачи заявок на кредиты 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 санкционированными переводами (APP). Клиентов с помощью манипуляций или обмана принуждают авторизовать платежи на мошеннические счета.

Внутреннее мошенничество. Возникает, когда сотрудники или доверенные лица злоупотребляют законным доступом или полномочиями в личных целях. Может привести к значительным убыткам для финансовых учреждений.

Компрометация деловой электронной почты. Преступники выдают себя за сотрудников или руководителей компании для совершения несанкционированных платежей или получения конфиденциальной информации.

Мошеннические звонки. Злоумышленники связываются с жертвами, используя человеческое доверие и фактор срочности, чтобы заставить их перевести деньги, раскрыть пароли или сообщить коды подтверждения.

Вдобавок к этому некоторые традиционные методы обмана могут переплетаться, образуя гибридные схемы. Например, клиент может получить фальшивое письмо от банка, за которым следует звонок с якобы «проверкой информации». Этот тип стирает грань между традиционными аферами и более сложными финансовыми преступлениями с использованием ИИ. ИИ, в свою очередь, порождает совершенно новые типы банковского мошенничества и усиливает существующие, делая их более убедительными.

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

Самые быстрорастущие мошеннические схемы на базе ИИ за последние два года. Источник

Основные паттерны финансовых преступлений с использованием ИИ:

Фишинговые письма, сгенерированные ИИ. Мошенники используют генеративный ИИ для создания большого объема убедительных мошеннических сообщений. Фишинг как услуга (Phishing-as-a-Service) также стал бизнес-моделью киберпреступности с готовыми программными решениями для фишинга.

Клонирование голоса и дипфейки. Преступники создают реалистичные синтетические аудио-, видеоматериалы или изображения, имитирующие доверенных лиц: руководителей компаний, сотрудников банков, техподдержку, бухгалтеров, правительственных чиновников.

Синтетические личности. Мошенники создают вымышленные профили, объединяя реальную и фальшивую информацию. Искусственные профили могут пройти верификацию, что позволяет злоумышленникам проводить транзакции или получать кредиты.

Автоматизированная социальная инженерия. Инструменты на базе ИИ используются для создания, персонализации и управления обманным взаимодействием с жертвами.

Создание дроп-аккаунтов с помощью ИИ. Технология помогает преступникам создавать, настраивать или использовать счета, через которые перекачиваются незаконные средства.

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

Почему традиционная профилактика мошенничества не справляется

Еще до появления ИИ мир заметил рост объемов данных, транзакций и цифровых платежей. Одна из крупнейших международных платежных систем, Visa, сообщила о 257,5 млрд транзакций в 2025 году, что на 44,9 млрд больше, чем в 2023 году. Параллельно общая стоимость цифровых платежей продолжает расти со среднегодовым темпом роста (CAGR) в 4,31% и, по прогнозам, к 2031 году достигнет 46,25 трлн 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 методы контроля мошенничества хорошо работали в гораздо более медленном мире, но они больше не могут точно обнаруживать быстрое, масштабируемое и адаптируемое мошенничество с использованием ИИ.

Статические правила

Системы на основе правил оказались медлительными в адаптации к меняющимся схемам мошенничества. Они полагаются на предопределенные условия, такие как необычные суммы транзакций, местоположение или структуру расходов, для определения угроз, и хорошо работают только со знакомыми схемами. Когда дело доходит до новых вызовов, их необходимо вручную обновлять для корректной работы, что дает киберпреступникам возможность применять новые тактики до выхода обновления.

Большое количество ложноположительных срабатываний

По мере изменения структуры расходов устаревшие системы могут отмечать динамичное поведение пользователей как мошенническое, подозрительное или рискованное, тем самым ухудшая клиентский опыт. Например, мобильный банкинг сделал совершенно нормальным вход в систему посреди ночи или совершение покупок из нескольких мест за один день. Для банков избыточное количество ложных срабатываний, производимых такими системами, увеличивает операционные расходы. Это перегружает команды по борьбе с мошенничеством, чьи навыки могли бы быть направлены на более сложные и ценные задачи.

Ограниченный контекст

Традиционные системы предотвращения мошенничества оценивают отдельные транзакции, упуская более широкий контекст клиента и затрудняя выявление сложных мошеннических схем. Современная банковская индустрия применяет комплексный анализ поведенческих паттернов, данных устройств, геолокации, истории активности и кросс-канальных взаимодействий для обнаружения сложного мошенничества и снижения числа ложных срабатываний.

Изолированный мониторинг мошенничества

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

Генеративный ИИ и разрыв 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 здесь 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 серьезную опасность 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 транзакций три области наиболее подвержены мошенничеству: онбординг клиентов (проверка личности), аутентификация и доступ к учетной записи, а также платежи и транзакции. На каждом уровне обнаружение мошенничества с помощью ИИ может изменить ситуацию к лучшему, проверяя личность, оценивая риск входа в систему и анализируя структуру платежей для своевременной блокировки подозрительных транзакций.

Тем не менее, для нормальной работы ИИ-движкам и моделям машинного обучения необходим доступ к большим объемам 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 устанавливает стандарты того, что считается «нормальной» активностью клиента, а что требует дополнительных проверок или даже блокировки транзакции либо заморозки счета. В этом процессе ИИ помогает выявлять скрытые аномалии, анализируя миллионы пользовательских событий в день. К распространенным поведенческим сигналам относятся:

Динамика нажатий клавиш

Время и частота входов в систему

Характеристики устройств

Поведение при транзакциях

Информация о сети

Движения мыши и жесты касания

Шаблоны навигации внутри приложения

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 схожее поведение для выявления необычной активности и распознавать сложные паттерны.

Недавно компания Nasdaq объединила платформу обнаружения мошенничества с возможностями поведенческой аналитики BioCatch, чтобы лучше отличать легитимных пользователей от мошенников. Такое усиление мер по борьбе с мошенничеством обусловлено тревожной статистикой с 2022 по 2025 год, которая показывает рост числа случаев мошенничества, связанного с ИИ (рост на 60%), увеличение числа случаев мошенничества с криптовалютой (на 80%) и внезапный рост захватов учетных записей (на 50%).

Расследования при поддержке генеративного ИИ

LLM, ИИ-агенты и аналитические инструменты облегчают анализ случаев мошенничества, делая работу следователей более быстрой и точной. Профессионалам не нужно тратить часы на проверку истории транзакций, связей между учетными записями и записей коммуникаций. Генеративный ИИ действует как помощник в расследовании. Он извлекает и обобщает данные, помогает выявить скрытые связи между кажущимися несвязанными делами и составляет черновики отчетов о расследовании. При этом окончательное решение всегда остается за людьми-следователями.

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 согласованность, и с высокой точностью распознают биометрические паттерны. Алгоритмы машинного обучения совершенствуют многоуровневые системы, позволяя организациям предоставлять безопасные цифровые банковские услуги.

Машинное обучение для верификации личности помогает банкам и финансовым организациям поддерживать доверие клиентов: 93% респондентов опроса Mastercard заявили, что беспокоятся о возможной краже личных данных или мошенничестве, в то время как 71% сообщили, что не стали бы использовать мобильное приложение или веб-сайт компании, если бы столкнулись с мошеннической активностью. В то же время пользователи ожидают тщательной и точной проверки личности: 92% рассчитывают на беспрепятственный и удобный процесс. Это оказывает давление на банки, поскольку они должны соблюдать баланс между пользовательским опытом 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 текущая операция типичному поведению клиента, используя такие параметры, как нормальная частота транзакций и типичные места их проведения. Система также использует специальные сигналы безопасности, включая идентификатор устройства, IP-адрес и информацию о браузере, чтобы эффективно противодействовать мошенничеству с кредитными/дебетовыми картами и отмыванию денег.

Адаптивная оценка рисков

Механизмы оценки рисков на базе искусственного интеллекта 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 показатель вероятности мошенничества с рекомендациями по дальнейшим действиям.

Предиктивная аналитика

Еще одним важным аспектом использования искусственного интеллекта в обнаружении мошенничества является предиктивная аналитика. В сочетании с большими данными в банковской сфере предиктивная аналитика дает точные прогнозы будущих событий.

Она может помочь в следующем:

Проведение SWOT-анализа для выявления потенциальных уязвимостей и способов их устранения;

Выявление мошеннических действий, которые наиболее вероятно 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 можно упустить из виду.

Имитационные модели

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

Обучение с учителем и без учителя для прогнозирования мошенничества

Финансовые институты применяют машинное обучение с учителем и без учителя, чтобы научить модели ML распознавать потенциальную мошенническую деятельность и помечать ее.

Машинное обучение с учителем

Метод машинного обучения с учителем подразумевает, что модели ML обучаются на предварительно размеченных наборах данных. Таким образом, модели «говорят», какие данные являются легитимными, а какие — мошенническими. Цель модели ML — распознавать подозрительные транзакции и самостоятельно обнаруживать их в будущем. Примеры мошеннических транзакций включают помеченные IP-адреса или перевод средств на адрес повышенного риска. В результате обучения модель ML может выявлять аномалии, соответствующие известным индикаторам мошенничества.

Машинное обучение без учителя

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

Обучение с учителем весьма эффективно для обнаружения известных угроз. Напротив, обучение без учителя хорошо подходит для недавно обнаруженных или возникающих угроз. Комбинация обоих методов усиливает обнаружение мошенничества за счет охвата более широкого спектра рисков. Но прежде чем создавать и запускать модель ML, вам придется собрать и подготовить данные, с которыми она будет работать. Работа с опытной командой экспертов по ML, обладающих богатым опытом оказания услуг по разработке финансового программного обеспечения, поможет гарантировать, что созданная модель ML 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 и в режиме реального времени выявлять мошенничество.

Функция обнаружения мошенничества с помощью ИИ от Google на Android

Технологические компании поддерживают усилия банков и финансовых учреждений по борьбе с мошенничеством. Чтобы защитить пользователей от мошенничества с выдачей себя за другое лицо, Google представила функцию обнаружения поддельных звонков для Android (доступна в приложении Телефон от Google). Программное обеспечение 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 под управлением Android 11+ совместно с Revolut, Itaú и Nubank, а позже расширить ее на другие банки. Как видите, сотрудничество между технологическими компаниями и финансовыми учреждениями может усилить предотвращение мошенничества, защищая клиентов от мошенничества с использованием ИИ.

Платформа ИИ от NVIDIA

Одна из ведущих технологических компаний, NVIDIA, предлагает специализированную платформу ИИ для обнаружения мошенничества для банков, платежных систем и компаний электронной коммерции. Решение объединяет графические процессоры, фреймворки ИИ, машинное обучение, графовую аналитику и обработку данных в реальном времени для точного обнаружения 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 и вывод моделей ИИ, а также эффективное масштабирование при больших объемах транзакций.

Decision Intelligence от Mastercard

В эпоху ИИ и продвинутого мошенничества глобальные компании, занимающиеся платежными технологиями, не остались в стороне. Mastercard представила своим клиентам продукт Decision Intelligence. Это решение представляет собой платформу оценки рисков с моделями ИИ, которые были обучены на огромных массивах данных компании. Mastercard расширила ее использование за пределы транзакций Mastercard, позволив всем банкам-эмитентам улучшить управление мошенничеством, сократить количество ложноположительных результатов 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 в США примерно в 11 миллиардов долларов в год, American Express решила использовать машинное обучение для улучшения процессов обнаружения мошенничества. Компания внедрила модели глубокого обучения для разработки мощного инструмента обнаружения мошенничества на базе ИИ. Инструмент сочетает 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 ML 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 заключила партнерское соглашение с надежным поставщиком программного обеспечения для разработки решения по обнаружению мошенничества, которое работало бы круглосуточно и без выходных по всему миру и могло бы 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 по управлению рисками и мошенничеством, чтобы гарантировать максимальную защищенность данных и транзакций своих клиентов.

Внедрение ИИ в Министерстве финансов США

В 2023 финансовом году Министерству финансов США удалось вернуть 375 миллионов долларов благодаря внедрению искусственного интеллекта 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 использовало искусственный интеллект и с тех пор совершенствует свою политику обнаружения мошенничества.

Ограничения инструментов ИИ для обнаружения мошенничества

При всех своих преимуществах внедрение ИИ в банковской сфере далеко от идеала. Ни одно программное обеспечение не может гарантировать 100-процентное обнаружение мошенничества, так как тактика мошенников и технологии постоянно развиваются. Вот в чем ИИ все еще отстает:

Отсутствие прозрачности при выявлении позитивных результатов. Некоторые модели ИИ работают как «черные ящики», 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 кредитного скоринга или оценки рисков клиентов.

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 инструменты на базе ИИ сами по себе неэффективны. 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 число 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 статичных 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 разработкой собственного ИИ или сторонними платформами, крупные банки склонны комбинировать эти подходы. Например, банк может использовать собственную базовую модель, но дорабатывать ее на данных своих клиентов и транзакций. Тем не менее, собственная разработка средств борьбы с мошенничеством необходима, когда готовые решения не могут удовлетворить потребности организации — при наличии специфических для учреждения паттернов мошенничества, сложной системной интеграции или жестких требований к конфиденциальности и безопасности данных.

Средние расходы на технологии обнаружения мошенничества. Источник

Внутренние меры

Осведомление сотрудников о потенциальных угрозах — далеко не новый подход к предотвращению мошенничества. Тем не менее, эпоха ИИ открыла новые методы мошенничества, такие как дипфейки и вишинг, о которых ваши сотрудники могут не знать.

Защита со стороны клиентов

Персонализированные оповещения о мошенничестве