Top 10 Agentů pro Detekci Podvodů a Monitorování Transakcí

Top 10 Agentů pro Detekci Podvodů a Monitorování Transakcí

Aktualizováno 17. srpna 2026

Prevence podvodů se posouvá od izolovaných rizikových skóre k komplexním rizikovým operacím. Od moderních systémů se očekává, že ohodnotí transakci v reálném čase, propojí ji se souvisejícími účty a zařízeními, prošetří okolní aktivitu, vysvětlí rozhodnutí a doporučí, co by se mělo dít dál.

Tento pracovní postup je důležitý, protože transakční model a vyšetřovací agent řeší různé problémy. Pravidla a modely strojového učení detekují a skórují riziko. Agenti shromažďují důkazy, propojují události, sumarizují případy, doporučují akce a někdy automatizují řešení s nízkým rizikem. Unit21 tento rozdíl popisuje přímo: agent pro boj proti podvodům by měl provádět vyšetřovací úkoly, spíše než jen zobrazovat skóre nebo sumarizovat informace, které jsou již analytikovi viditelné. (unit21.ai)

Nejsilnější platformy proto kombinují:

• Pravidla a strojové učení v reálném čase
• Behaviorální a zařízeníová inteligence
• Analýza entit a transakcí založená na grafech
• Vyšetřování případů a shromažďování důkazů
• Vysvětlitelná rozhodnutí a neměnné auditní záznamy
• Doporučení pro nápravu
• Monitorování posunu modelu a výsledků

Tento článek porovnává deset předních platforem podle těchto požadavků, se zvláštním zaměřením na přesnost, návratnost, zvýšení záchytu podvodů, výsledky chargebacků, produktivitu analytiků, soukromí, latenci, vysvětlitelnost a posun modelu.

Shrnutí pro vedoucí pracovníky

Neexistuje univerzálně nejlepší agent pro detekci podvodů. Správná volba závisí na tom, zda je primárním problémem karetní podvod, okamžité platby, převzetí účtu, podvody s autorizovanými push platbami, praní špinavých peněz, prověřování sankcí nebo vyšetřovací kapacita.

Nejdůležitějším závěrem je, že zralost agenta a kvalita detekce jsou samostatné dimenze. Platforma může mít působivého vyšetřovacího kopilota, ale slabou návratnost na úrovni transakcí. Jiná může mít vynikající skórování podvodů, ale omezenou autonomní práci s případy. Kupující by měli obě vrstvy hodnotit samostatně.

Jak fungují agenti pro detekci podvodů

Praktická architektura pro detekci podvodů a monitorování transakcí má čtyři vrstvy.

1. Rozhodování v reálném čase

Tato vrstva vyhodnocuje platbu před jejím vypořádáním. Typicky kombinuje:

• Deterministická pravidla
• Kontroly rychlosti (velocity checks)
• Behaviorální profily
• Signály ze zařízení a relací
• Riziko zákazníka a protistrany
• Historické transakční vzorce
• Síťová nebo konsorciová inteligence
• Dohlíženo a nedohlíženo strojové učení

Výstupem je obvykle rozhodnutí o schválení, zamítnutí, zadržení nebo přezkoumání, doprovázené rizikovým skóre a kódy důvodů.

2. Grafová a vztahová analýza

Systémy založené na grafech propojují:

• Zákazníky
• Účty
• Karty
• Zařízení
• Internetové adresy
• Telefonní čísla
• E-mailové adresy
• Obchodníky
• Příjemce
• Protistrany
• Transakce

To je obzvláště užitečné pro podvodné sítě, sítě peněžních mul, syntetické identity, koluzi, převzetí účtů a pohyb peněz přes více účtů.

Grafová analýza však není automaticky „grafovým uvažováním“. Vizualizace, která ukazuje propojené entity, se liší od modelu, který vyhodnocuje více-skokové vztahy, sekvence transakcí a síťové chování. Nejlepší systémy vytvářejí důkazní cesty, jako například:

„Tento příjemce obdržel finanční prostředky ze sedmi nedávno otevřených účtů, všechny spojené se dvěma zařízeními a jedním telefonním číslem, dříve propojeným s potvrzeným podvodem.“

3. Vyšetřovací agenti

Vyšetřovací agent může:

• Načíst historii transakcí
• Vyhledat propojené entity
• Zkontrolovat předchozí upozornění a řešení
• Prozkoumat informace o zařízení a chování
• Dotazovat se na externí zpravodajství
• Identifikovat související případy
• Sestavit časovou osu
• Shrnovat důkazy
• Doporučit řešení
• Vytvořit interní popis případu
• Připravit zprávu o podezřelé činnosti

Agent by měl ukazovat důkazy podporující každý závěr. Plynulý narativ bez zdrojových záznamů nestačí pro regulátora ani zkušeného vyšetřovatele.

4. Náprava a zpětná vazba

Finální vrstva doporučuje nebo provádí akce, jako jsou:

• Schválit transakci
• Vyžádat silnější ověření zákazníka
• Dočasně zadržet platbu
• Zamítnout transakci
• Pozastavit účet
• Zablokovat zařízení nebo příjemce
• Odvolat nebo vrátit finanční prostředky
• Kontaktovat zákazníka
• Předat případ seniornímu vyšetřovateli
• Podat zprávu o podezřelé činnosti
• Zahájit rozšířenou hloubkovou kontrolu
• Vytvořit nebo upravit pravidlo
• Přidat propojené entity na seznam sledovaných osob/subjektů
• Pečlivěji monitorovat zákazníka

Akce s vysokým rizikem by měly podléhat kontrolám zásad a lidskému schválení. Agent by neměl mít neomezenou pravomoc měnit pravidla, trvale uzavírat účty nebo podávat regulační zprávy bez řádné správy.

Důležitá omezení veřejných benchmarků

Prodejci řešení pro boj proti podvodům často zveřejňují působivá procenta, ale tato čísla jsou zřídkakdy přímo srovnatelná. Veřejné případové studie mohou uvádět:

• Procentuální změnu z nezveřejněné základní hodnoty
• Zachycenou hodnotu podvodu spíše než návratnost na úrovni transakcí
• Snížení falešných pozitiv bez dat o falešných negativech
• Výsledky z jednoho platebního kanálu
• Krátké testovací období
• Implementaci specifickou pro zákazníka
• Vybranou typologii podvodů
• Model fungující vedle jiných kontrol

Většina prodejců nezveřejňuje standardizovanou matici záměny obsahující počty transakcí, prevalenci podvodů, přesnost, návratnost, míru falešných pozitiv, míru falešných zamítnutí, výsledky chargebacků a intervaly spolehlivosti.

To znamená, že níže uvedená hodnocení jsou založena na vhodnosti schopností a veřejných důkazech, nikoli na tvrzení, že jeden dodavatel definitivně dosáhl nejvyšší reálné přesnosti nebo návratnosti.

Přesnost a návratnost

Pro detektor podvodů:

• Přesnost (Precision) se ptá: Z transakcí označených jako podvod, kolik jich skutečně bylo podvodných?
• Návratnost (Recall) se ptá: Z všech podvodných transakcí, kolik jich systém zachytil?
• Míra falešných pozitiv (False-positive rate) měří legitimní aktivitu nesprávně označenou nebo zablokovanou.
• Míra falešných negativ (False-negative rate) měří podvody, které prošly bez detekce.

Protože podvody jsou obvykle vzácné ve srovnání s legitimní aktivitou, přesnost může být zavádějící. Nedávná studie využívající veřejný soubor dat evropských kreditních karet pracovala s 284 807 transakcemi a prevalencí podvodů pouze 0,173 procenta, přičemž vynucovala chronologické rozdělení dat pro modelování časového posunu. (pubmed.ncbi.nlm.nih.gov)

Model se může zdát vysoce přesný, zatímco opomíjí komerčně významné množství podvodů. Kupující by měli prioritizovat:

1. Přesnost při skutečné míře přezkoumání
2. Návratnost při skutečné míře zamítnutí nebo intervence
3. Záchyt hodnoty podvodu
4. Falešná zamítnutí
5. Míry chargebacků a sporů
6. Míry schválení a konverze
7. Zátěž analytiků
8. Výkon po dozrání štítků

Přehled veřejných důkazů

Následující údaje jsou výsledky hlášené dodavateli nebo z případových studií zákazníků, pokud není uvedeno jinak. „Nezveřejněno“ znamená, že dodavatel nezveřejňuje srovnatelné výsledky přesnosti a návratnosti pro celou platformu.

Top 10 agentů pro detekci podvodů a monitorování transakcí

1. Unit21: Nejlepší komplexní agentní platforma pro podvody a finanční kriminalitu

Unit21 je jedním z nejjasnějších příkladů platformy navržené pro kompletní pracovní tok od detekce po vyšetřování. Její systém kombinuje pravidla, behaviorální signály, zařízeníovou inteligenci, grafovou analýzu, informace z konsorcia pro boj proti podvodům, správu případů a agenty umělé inteligence.

Jeho detekční agent analyzuje transakce a upozornění v reálném čase. Jeho vyšetřovací agent shromažďuje důkazy, identifikuje propojené entity, shrnuje rizika, doporučuje akce a vytváří popisy případů. Platforma také podporuje pracovní postupy od upozornění k případu a ke zprávě o podezřelé činnosti s dokumentovanými vyšetřovacími kroky. (unit21.ai)

V čem Unit21 exceluje

• Silná vhodnost pro fintechy, platební firmy a finanční instituce
• Tvrzení o rozhodování v reálném čase pod 250 milisekund
• Pravidla, vysvětlitelné strojové učení, grafová pravidla a vyšetřovací agenti v jednom prostředí
• Shadow testing, historická validace a nasazení v sandboxu
• Monitorování napříč kanály pro automatizované clearingové domy (ACH), převody, karty, okamžité platby, kryptoměny a platby mezi účty
• Agenty generované důkazní stopy spíše než jen narativní shrnutí

Unit21 také zdůrazňuje, že rizikové týmy mohou vidět, které proměnné přispěly ke skóre strojového učení, a mohou používat pravidla založená na grafech k odhalení skrytých vztahů. (unit21.ai)

Posouzení benchmarku

Veřejné materiály uvádějí 50% snížení falešných pozitiv a 70% snížení ztrát z podvodů v jednom příkladu produktu pro zákazníky, ale společnost nezveřejňuje standardizovaný benchmark přesnosti, návratnosti nebo chargebacků napříč zákazníky. (unit21.ai)

Nejlepší volba pro: Rostoucí finanční technologickou společnost nebo platební instituci, která chce jednu platformu pro skórování v reálném čase, vyšetřování, grafovou analýzu a pracovní postupy nápravy.

Hlavní riziko: Kupující by měli ověřit, zda je vyšetřovacímu agentovi povoleno automaticky uzavírat upozornění, pouze doporučovat řešení nebo provádět různé akce podle úrovně rizika.

2. Sardine: Nejlepší pro zařízeníovou inteligenci, grafy podvodů a digitální obchod

Sardine kombinuje zařízeníovou inteligenci, behaviorální analýzu, strojové učení, pravidla, síťovou inteligenci, grafovou analýzu a agentní operace pro boj proti podvodům. Je obzvláště silná tam, kde podvod zahrnuje cestu zákazníka před transakcí, včetně onboardingu, přihlášení, převzetí účtu, botů, syntetické identity, platebních podvodů a podvodného chování.

Její grafová schopnost propojuje uživatele, zařízení, internetové adresy, telefonní čísla, e-mailové adresy a transakce. Její agenti zahrnují monitorování transakcí, grafovou analýzu, pomoc s pravidly, analýzu dat, výzkum open-source zpravodajství, prověřování sankcí a generování zpráv o podezřelé činnosti. (sardine.ai)

V čem Sardine exceluje

• Zařízeníová a behaviorální inteligence
• Detekce převzetí účtu a botů
• Křížová kanálová analýza identity a transakcí
• Podvody v obchodě a digitálním obchodě
• Vyšetřování podvodných sítí založených na grafech
• Pravidla vytvořená z přirozeného jazyka
• Automatizované pracovní postupy pro spory a chargebacky
• Riziko bankovních plateb před odesláním a vypořádáním

Sardine uvádí několik zákaznicky specifických výsledků, včetně 95% přesnosti v jednom případě použití pro rozhodování o onboardingu, 70% snížení ztrát z chargebacků souvisejících s kartami v jedné bankovní implementaci a 0,0003% míry chargebacků v tomto stejném případě. Dále uvádí, že jedno nasazení vyřešilo 55 % upozornění za přibližně 30 sekund. (sardine.ai)

Posouzení benchmarku

Údaje Sardine o chargebackech jsou komerčně užitečné, ale míra chargebacků není totéž co návratnost. Nižší míra chargebacků může být výsledkem lepší detekce, silnějšího ověřování zákazníků, přísnějších schvalovacích politik, odlišné struktury obchodníků nebo posunu odpovědnosti.

Nejlepší volba pro: Digitální banky, platební společnosti, tržiště, kryptoměnové platformy a obchodníky, kteří potřebují dohromady identitu, zařízení, grafovou a transakční inteligenci.

Hlavní riziko: Vyžadujte benchmark pro každý platební kanál. Nelze předpokládat, že výsledky z onboardingu nebo karetních podvodů platí pro platby automatizovaných clearingových domů (ACH), podvody s autorizovanými push platbami nebo monitorování proti praní špinavých peněz.

3. Feedzai: Nejlepší pro rozhodování o platebních podvodech ve velkém měřítku

Feedzai je zralá podniková platforma pro boj proti podvodům zaměřená na vysoké objemy a rozhodování o platbách v reálném čase. Její platforma RiskOps kombinuje kontroly identity, podvodů a boje proti praní špinavých peněz, zatímco její síťové produkty přidávají kolektivní inteligenci, aniž by vyžadovaly, aby instituce sdílely surové osobní identifikační údaje.

Feedzai IQ uvádí, že surová data zůstávají v prostředí instituce, zatímco anonymizované rizikové signály a agregované vzorce se vyměňují napříč sítí. Feedzai uvádí čtyřikrát více detekovaných podvodů, o 50 % méně upozornění než přístupy založené na pravidlech a 27% zlepšení přijetí plateb pro uživatele svého produktu síťové inteligence. (feedzai.com)

V čem Feedzai exceluje

• Velké banky, zpracovatelé plateb a karetní sítě
• Skórování omnikanálových plateb v reálném čase
• Společné použití pravidel a strojového učení
• Síťová inteligence a grafová vizualizace
• Vysvětlitelné kódy důvodů
• Tvorba pravidel v přirozeném jazyce
• Vyšetřování případů a pracovní postupy analytiků
• Konsorciová inteligence dbající na soukromí
• Nasazení modelů ve velkém objemu

Feedzai uvádí, že jedna velká severoamerická banka dosáhla 75% průměrné míry detekce hodnoty při míře intervence 0,1 % spolu s poměrem falešných pozitiv 12:1. Dále uvádí 73% snížení falešných pozitiv a o 62 % více detekovaných podvodů než předchozí řešení v jiných podnikových příkladech. (feedzai.com)

Vyšetřovací schopnost Feedzai Genome využívá vizuální vztahy mezi zákazníky, kartami, transakcemi a dalšími entitami. Jedna případová studie zákazníka uvádí, že vyšetřování, které dříve trvalo půl dne, mohlo být dokončeno za přibližně deset minut, s 15% zvýšením detekce podvodů u specifických upozornění. (feedzai.com)

Monitorování posunu

Feedzai také publikoval výzkum o automatickém monitorování modelů pro streamovaná data o podvodech. Jeho monitorovací přístup je navržen tak, aby identifikoval změny dříve, než budou k dispozici štítky, a poskytoval vysvětlení pravděpodobné příčiny posunu. Výzkum byl vyhodnocen napříč pěti reálnými soubory dat o podvodech v celkové výši více než 22 milionů online transakcí. (research.feedzai.com)

Nejlepší volba pro: Velké banky, zpracovatele a platební sítě, které potřebují zralé rozhodování v reálném čase, široké pokrytí plateb a sofistikované operace s modely.

Hlavní riziko: Feedzai má široké produktové portfolio. Kupující by měli testovat přesnou kombinaci skórování podvodů, automatizace vyšetřování, síťové inteligence a funkcionality pro boj proti praní špinavých peněz, kterou kupují.

4. ComplyAdvantage Mesh: Nejlepší pro automatizovanou nápravu monitorování transakcí

ComplyAdvantage Mesh je nejsilnější v oblasti boje proti praní špinavých peněz, monitorování transakcí, prověřování zákazníků, prověřování sankcí a rizikové inteligence. Jeho nedávná platformní strategie umísťuje agentní pracovní postupy do jednotného systému správy případů.

Platforma uvádí, že její rozhodovací řetězec dokáže vyřešit 65 až 85 % falešně pozitivních upozornění kombinací skórování rizik, agentů umělé inteligence a analytiků. Dále uvádí více než 100 transakcí za sekundu s odezvou v řádu milisekund a více než 3,5 miliardy denně zpracovaných zpráv napříč platformou. (complyadvantage.com)

V čem ComplyAdvantage exceluje

• Společná práce pravidel a pokročilého strojového učení
• Monitorování transakcí a prověřování plateb
• Tvorba pravidel v přirozeném jazyce
• Grafové a klastrové vzorce
• Automatizovaná náprava upozornění
• Správa případů a auditní záznamy
• Příprava zpráv o podezřelé činnosti
• Riziková inteligence založená na sankcích, politicky exponovaných osobách, negativních médiích a behaviorálních signálech
• Regionální oddělení dat a podnikové bezpečnostní kontroly

ComplyAdvantage uvádí, že PayNearMe snížilo čas analytiků strávený monitorováním transakcí přibližně o 50 %. Paytron hlásil 20% snížení falešných pozitiv a 75% snížení dotazů po transakcích. (complyadvantage.com)

Její veřejné platformní materiály uvádějí až 82% snížení falešných pozitiv, ale tato čísla by měla být považována spíše za dodavatelem hlášené výsledky než za nezávislý benchmark. (complyadvantage.com)

Soukromí a správa dat

ComplyAdvantage uvádí, že Mesh podporuje šifrování v klidovém stavu i během přenosu, geografické oddělení dat, oprávnění založená na rolích, jednotné přihlášení, normu ISO 27001, Service Organization Control 2 a zpracování dat v souladu s GDPR. Jedná se o užitečné kontroly, ale kupující stále musí přezkoumat smlouvu, zpracovatele, doby uchovávání a podmínky trénování modelů. (complyadvantage.com)

Nejlepší volba pro: Platební společnosti a finanční instituce, jejichž primárním úzkým hrdlem je objem upozornění a náprava v oblasti boje proti praní špinavých peněz, spíše než latence autorizace karet.

Hlavní riziko: Ověřte návratnost specifickou pro podvody odděleně od výkonu řešení upozornění na praní špinavých peněz.

5. NICE Actimize: Nejlepší pro vyšetřování velkých bank a regulatorní hlášení

NICE Actimize je podniková platforma pro finanční kriminalitu pokrývající prevenci podvodů, boj proti praní špinavých peněz, sankce, hlášení podezřelé činnosti, správu případů a vyšetřovací pracovní postupy.

Její platforma uvádí, že monitoruje více než pět miliard transakcí denně a používá detekci podvodů na úrovni milisekund. Nabízí také síťovou analýzu, skórování rizik založené na typologii, integrovaná vyšetřování a generativní umělou inteligenci pro shrnutí případů a popisy zpráv o podezřelé činnosti. (info.niceactimize.com)

V čem NICE Actimize exceluje

• Velké a složité finanční instituce
• Vícekanálové programy pro boj proti podvodům a finanční kriminalitě
• Správa případů a orchestrace vyšetřování
• Příprava zpráv o podezřelé činnosti
• Síťová vizualizace
• Správa a regulatorní hlášení
• Pracovní postupy vyšetřování s lidským zásahem
• Integrace se staršími systémy

NICE uvádí, že její vyšetřovací schopnosti mohou zkrátit dobu vyšetřování až o 50 % a dobu přípravy zpráv o podezřelé činnosti až o 70 %. Její Xceed FraudDesk CoPilot uvádí o 80 % rychlejší třídění a přezkoumání upozornění, o 60 % snížení doby zpracování případu do zprávy a o 40 % méně falešných pozitiv. (resources.niceactimize.com)

Posouzení benchmarku

NICE zveřejňuje silná provozní a škálovací tvrzení, ale méně veřejných dat o přesnosti a návratnosti na úrovni transakcí. Kupující by měli požádat o:

• Přesnost a návratnost podle typologie podvodů
• Výsledky před a po překryvech strojového učení
• Návratnost váženou hodnotou
• Míry falešných zamítnutí
• Dobu vyšetřování podle složitosti případu
• Přesnost automatického řešení
• Výkon při špičkovém zatížení

Nejlepší volba pro: Velké banky, které potřebují široké pokrytí finanční kriminality, zavedenou správu a hluboké schopnosti regulatorního hlášení.

Hlavní riziko: Složitost implementace a možnost, že nejpokročilejší funkce vyžadují několik modulů a rozsáhlou integrační práci.

6. Hawk: Nejlepší pro vysvětlitelné, nízko-latentní monitorování podvodů a finanční kriminality

Hawk se zaměřuje na vysvětlitelnou umělou inteligenci, monitorování transakcí v reálném čase, prevenci podvodů, boj proti praní špinavých peněz, prověřování sankcí a konvergenci operací pro boj proti podvodům a finanční kriminalitě.

Její platforma pro transakční podvody uvádí průměrnou dobu rozhodování 150 milisekund a podporuje platební kanály automatizovaných clearingových domů (ACH), karet, šeků, peer-to-peer převodů, bankovních převodů a další. Hawk také prosazuje hybridní přístup, při kterém tradiční pravidla generují výjimky a strojové učení vyhodnocuje pravděpodobnost, že upozornění je skutečným nebo falešným pozitivem. (hawk.ai)

V čem Hawk exceluje

• Vysvětlitelné strojové učení
• Zákaz plateb v reálném čase
• Pravidla a strojové učení v jednom pracovním toku
• Konvergence podvodů a boje proti praní špinavých peněz
• Samoobslužná správa pravidel
• Správa modelů
• Nasazení jako software jako služba, privátní cloud nebo on-premise technologie
• Automatizace vyšetřování

Hawk uvádí troj až pětkrát vyšší přesnost, o 70 % méně falešných upozornění, o 30 % více identifikovaných podvodných zákazníků a 62% snížení doby vyšetřování pro boj proti praní špinavých peněz napříč svými zveřejněnými materiály o dopadu. (hawk.ai)

Jeho vyšetřovací agent z roku 2026 rozšiřuje Hawk nad rámec detekce a prioritizace upozornění do shromažďování důkazů a podpory vyšetřování. (hawk.ai)

Posouzení benchmarku

Pozice Hawk v oblasti vysvětlitelnosti a latence je přesvědčivá, ale multiplikátor přesnosti je obtížné vyhodnotit bez původní přesnosti, populace, testovacího období a míry intervence. Kupující by měli požádat o plnou křivku přesnosti a návratnosti a nejen o udávané procentuální zlepšení.

Nejlepší volba pro: Banky, platební společnosti a finanční instituce, které prioritizují vysvětlitelnost, rychlé nasazení, zákaz v reálném čase a flexibilní nasazení.

Hlavní riziko: Potvrďte, zda má vyšetřovací agent dostatečné schopnosti specifické pro podvody, nebo je primárně optimalizován pro vyšetřování boje proti praní špinavých peněz.

7. Featurespace: Nejlepší pro adaptivní detekci behaviorálních podvodů

Featurespace se odlišuje adaptivní behaviorální analýzou a svými automatizovanými sítěmi hlubokého behaviorálního učení. Spíše než se primárně spoléhat na známé špatné indikátory, platforma modeluje normální chování a identifikuje smysluplné odchylky.

Tento přístup je užitečný, když podvodníci napodobují legitimní aktivitu nebo když má instituce omezené potvrzené štítky podvodů. Featurespace uvádí, že její modely se přizpůsobují měnícímu se chování a vyžadují méně ručního přeškolování, zatímco rozhodnutí analytiků se promítají do budoucího monitorování. (staging.www.featurespace.com)

V čem Featurespace exceluje

• Karetní podvody
• Platby mezi účty
• Podvody s autorizovanými push platbami
• Podvody s aplikacemi
• Syntetická identita
• Adaptivní profilování zákazníků
• Snížení degradace modelu
• Skórování transakcí v reálném čase ve velkém objemu

Veřejné zákaznické důkazy patří k nejsilnějším pro záchyt podvodů. Central 1 hlásila 79% objem záchytu podvodů, popsáno jako 51% zvýšení oproti jejich průmyslovému benchmarku, a 67% hodnotu záchytu podvodů při udržení poměru falešných pozitiv 2:1. (featurespace.com)

NatWest hlásil 135% zlepšení hodnoty detekovaných podvodů a 75% snížení falešných pozitiv v jednom pozdějším shrnutí případové studie. Dřívější materiály uváděly 50% nárůst detekované hodnoty podvodů a scamů do 24 hodin od nasazení. (featurespace.com)

Featurespace také uvádí, že TSYS skóruje jednu miliardu transakcí měsíčně a že 77,8 % z napadených transakcí bylo podvodných v jedné případové studii z roku 2025. (featurespace.com)

Posouzení benchmarku

Featurespace má silné veřejné důkazy pro záchyt hodnoty podvodů a adaptivní modelování chování, ale méně veřejných důkazů pro autonomní vyšetřovací agenty a doporučení pro nápravu.

Nejlepší volba pro: Emitenty, banky, zpracovatele a poskytovatele plateb, kde jsou hlavními obavami měnící se chování zákazníků a degradace modelu.

Hlavní riziko: Ujistěte se, že schopnosti platformy pro správu případů a vyšetřování splňují stejný standard jako její skórování transakcí.

8. Quantexa: Nejlepší pro řešení entit založené na grafech a kontextová vyšetřování

Quantexa je nejsilnější, když je signál podvodu nebo finanční kriminality rozložen napříč vztahy, spíše než viditelný v jedné transakci.

Její platforma vytváří propojený pohled na zákazníky a protistrany prostřednictvím řešení entit a generování grafů. Kontextové monitorování vyhodnocuje transakce spolu se vztahy, vlastnickými strukturami, historickou aktivitou a externími informacemi. Q Assist podporuje pracovní postupy vyšetřování a generování zpráv. (quantexa.com)

V čem Quantexa exceluje

• Řešení entit
• Analýza protistran a skutečného vlastnictví
• Sítě peněžních mul a praní špinavých peněz
• Komplexní vyšetřování
• Kontextové monitorování boje proti praní špinavých peněz
• Prioritizace rizik založená na grafech
• Regulatorní hlášení
• Sjednocení dat napříč fragmentovanými systémy

Quantexa uvádí až 75% snížení falešných pozitiv, o 50 % nebo více snížení vyšetřovacího úsilí a až 40 % rizik identifikovaných společností Quantexa, která byla přehlédnuta staršími systémy. Další veřejná stránka o dopadu uvádí až 80% snížení doby vyšetřování ve velkém měřítku. (quantexa.com)

Posouzení benchmarku

Quantexa obvykle není první volbou pro autorizaci plateb kartou s odezvou pod 100 milisekund. Její hodnota je často větší v kontextové analýze rizik, síťovém objevování a zrychlení vyšetřování.

Metody založené na grafech mohou být vysoce efektivní, ale kupující musí testovat:

• Přesnost řešení entit
• Falešné vazby mezi nesouvisejícími zákazníky
• Frekvenci aktualizace grafu
• Latenci víceskokového vyhledávání
• Vysvětlitelnost grafových funkcí
• Výkon, když jsou data o vztazích neúplná

Nejlepší volba pro: Velké banky a regulované instituce, jejichž nejtěžší případy zahrnují skryté vztahy, protistrany, sítě mul nebo fragmentovaná data.

Hlavní riziko: Integrační a datová základová práce může být podstatná, než grafové uvažování začne produkovat spolehlivé výsledky.

9. Nasdaq Verafin: Nejlepší pro podvodné operace komunitních bank využívající sdílenou inteligenci

Nasdaq Verafin slouží bankám a družstvům s detekcí podvodů, bojem proti praní špinavých peněz, prověřováním sankcí, správou vysoce rizikových zákazníků, sdílením informací a vyšetřovacími nástroji. Nasdaq uvádí, že Verafin slouží více než 2 750 severoamerickým finančním institucím a využívá sdílené informace založené na datech z tisíců institucí. (ir.nasdaq.com)

V letech 2025 a 2026 Nasdaq představil svou agentní pracovní sílu umělé inteligence, včetně digitálních analytiků sankcí, analytiků rozšířené hloubkové kontroly, agentního analytika pro boj proti praní špinavých peněz a agentního analytika podvodů. Oznámený analytik podvodů se zpočátku zaměřuje na neobvyklou aktivitu automatizovaných clearingových domů (ACH). Platforma podporuje režim doporučení, zajištění kvality, konfigurovatelný lidský přezkum a plánované automatické řešení falešně pozitivních upozornění. (nasdaq.com)

V čem Verafin exceluje

• Komunitní a regionální finanční instituce
• Sdílená inteligence
• Podvody s ACH, šeky, převody a vklady
• Detekce a hlášení finanční kriminality
• Výzkum entit
• Sdílení informací mezi finančními institucemi
• Agenty řízené pracovní postupy s lidskou kontrolou

Posouzení benchmarku

Konsorciový model Verafin je strategicky důležitý, protože zločinec může rozdělit aktivitu napříč mnoha institucemi. Veřejné materiály však neposkytují standardizovaný benchmark přesnosti, návratnosti, chargebacků nebo času analytiků pro nové agentní pracovníky.

Některé funkce byly oznámeny pro fázované zavádění během druhé poloviny roku 2026. Kupující by měli potvrdit, které konkrétní pracovníky, typologie, kontroly automatického řešení a možnosti nasazení jsou obecně dostupné k datu smlouvy. (nasdaq.com)

Nejlepší volba pro: Severoamerické banky a družstva hledající platformu specifickou pro sektor s konsorciovou inteligencí a postupně se rozšiřující agentní automatizací.

Hlavní riziko: Nejnovější agentní funkce jsou méně zralé než základní platforma Verafin pro boj proti podvodům a praní špinavých peněz.

10. FICO Platform: Nejlepší pro řízené podnikové rozhodování

FICO je nejlépe vnímána jako platforma pro podnikové rozhodování a správu modelů s hlubokými schopnostmi v oblasti boje proti podvodům, spíše než jako jediný autonomní vyšetřovací agent.

Portfolio FICO pro boj proti podvodům zahrnuje skórování transakcí v reálném čase, modely konsorcia pro boj proti podvodům, adaptivní behaviorální analýzu, řízení strategií, vývoj modelů, optimalizaci a vysvětlitelnost. FICO také zdůraznila časová vysvětlení, která identifikují relevantní minulé transakce přispívající k rozhodnutí. (investors.fico.com)

Jeho investorské materiály z roku 2026 popisují FICO Platform jako „agentní designem“, s vysvětlitelnou a auditovatelnou umělou inteligencí, modely konsorcia pro boj proti podvodům trénovanými na miliardách transakcí a nástroji pro budování, testování, optimalizaci a monitorování rozhodování. (investors.fico.com)

V čem FICO exceluje

• Velké finanční instituce s interními týmy datových vědců
• Řízený vývoj rozhodovacích strategií
• Správa modelů a řízení životního cyklu
• Skórování podvodů v reálném čase
• Konsorciová inteligence pro boj proti podvodům
• Orchestrace rozhodování v celém podniku
• Vysvětlitelné nasazení modelů
• Integrace s existujícími rozhodovacími systémy

FICO uvádí, že její zaměřené modely finančních služeb mohou přinést více než 35% nárůst v některých případech použití transakční analýzy, včetně detekce podvodů. Velera hlásila 85% snížení doby upozornění na podvody a 76% zvýšení efektivity samoobsluhy držitelů karet po nasazení funkcí platformy FICO. (investors.fico.com)

Nejlepší volba pro: Velké instituce, které chtějí rozsáhlou kontrolu nad daty, modely, strategiemi, testováním a správou.

Hlavní riziko: Organizace mohou potřebovat značné interní odborné znalosti, aby získaly plnou hodnotu platformy.

Srovnání grafového uvažování s pravidly a strojovým učením

Systémy pouze na bázi pravidel

Silné stránky:

• Vysoce vysvětlitelné
• Rychlé a deterministické
• Snadné mapování na politiku
• Užitečné pro známé typologie
• Jednoduché testování a přehrávání

Slabé stránky:

• Generují velké objemy falešných pozitiv
• Lze je obejít malými změnami chování
• Vyžadují neustálou údržbu pravidel
• Často nedokáží identifikovat nové vzorce podvodů
• Mají potíže s vztahy mezi účty

Pravidla by měla zůstat součástí architektury, protože poskytují mantinely a jasné kontroly. Neměla by tvořit celou detekční strategii.

Hybridní systémy pravidel a strojového učení

Hybridní systémy obecně poskytují nejlepší provozní kompromis. Pravidla řeší tvrdá omezení a známá rizika, zatímco strojové učení řeší:

• Behaviorální odchylky
• Vzorce specifické pro zákazníka
• Anomálie skupin vrstevníků
• Řazení rizik
• Snížení falešných pozitiv
• Dynamickou prioritizaci
• Nově vznikající chování

Featurespace, Hawk, Feedzai, Unit21, ComplyAdvantage, FICO a několik dalších platforem používají variace tohoto hybridního vzoru. Hawk explicitně popisuje dvoufázový proces, ve kterém pravidla generují výjimky a strojové učení posuzuje, zda jsou tyto výjimky pravděpodobně skutečnými nebo falešnými pozitivy. (insights.hawk.ai)

Grafové uvažování

Grafové metody jsou nejsilnější, když jsou důkazy distribuovány napříč entitami a časem. Mohou identifikovat:

• Sdílená zařízení napříč účty
• Opakovaně použitá telefonní čísla
• Společné příjemce
• Pohyb peněz typu fan-in a fan-out
• Rychlé průchozí chování
• Koordinovanou aktivitu obchodníků
• Shluky syntetických identit
• Sítě mul
• Koluzi

Grafový model může zlepšit návratnost pro organizované podvody a zároveň snížit potřebu vyšetřovat izolovaná upozornění. Grafové systémy však zavádějí další požadavky:

• Vysoce kvalitní řešení entit
• Časté aktualizace grafů
• Kontroly soukromí vztahů
• Správa latence víceskokového vyhledávání
• Ochrana proti nesprávným propojením
• Jasná vysvětlení cesty, která vygenerovala rizikový signál

Studie podvodů s kreditními kartami založená na grafech z roku 2024 uvedla přesnost 0,82 a návratnost 0,92, ale tyto údaje pocházely ze specifického výzkumného souboru dat a experimentálního nastavení. Neměly by být přímo porovnávány s případovými studiemi dodavatelů nebo produkčními mírami chargebacků. (sciencedirect.com)

Agentní vyšetřování

Agenti jsou nejcennější po vytvoření signálu. Mohou zkrátit čas strávený shromažďováním důkazů a přípravou narativu, ale neměly by být považovány za náhradu kalibrovaného modelu podvodů.

Doporučená architektura je:

1. Synchronní pravidla a strojové učení pro rozhodování o transakci
2. Rychlé grafové funkce pro okamžité riziko vztahů
3. Asynchronní průzkum grafů pro hlubší vyšetřování
4. Vyšetřovací agent pro shromažďování důkazů a přípravu případů
5. Politikou řízená náprava
6. Lidské schválení pro nezvratné nebo vysoce hodnotné akce

Vysvětlitelnost pro regulatorní přezkumy

„Vysvětlitelná umělá inteligence“ může znamenat několik různých věcí. Kupující by měli rozlišovat mezi:

1. Kódy důvodů Příklady zahrnují neobvyklou částku, nové zařízení, vysokou rychlost nebo rizikovou protistranu.

2. Atribuce rysů Systém ukazuje, které proměnné nejvíce přispěly ke skóre.

3. Uvažování propojené s důkazy Systém propojuje rozhodnutí se skutečnými transakcemi, zařízeními, účty a externími záznamy.

4. Politické uvažování Systém vysvětluje, jaké pravidlo, politika, práh nebo nastavení rizikové apetence bylo použito.

5. Uvažování agenta a historie nástrojů Auditní záznam zaznamenává, jaké zdroje agent konzultoval, co získal, k čemu dospěl a jakou akci doporučil.

Pro regulátora samotné shrnutí v přirozeném jazyce nestačí. Balíček auditu by měl zahrnovat:

• Transakční a zákaznická data použitá v době rozhodování
• Verze modelu
• Verze pravidel a politik
• Hodnoty funkcí
• Skóre a práh
• Kódy důvodů
• Použité grafové vztahy
• Externí datové zdroje
• Pokyny agenta nebo úkoly
• Získané důkazy
• Volání nástrojů
• Lidské zásahy
• Konečná akce
• Časové razítko
• Původ dat
• Změny provedené po původním rozhodnutí
• Reprodukovatelný postup přehrávání

Revizované pokyny Federálního rezervního systému z roku 2026 pro rizika modelů zdůrazňují analýzu výsledků, průběžné monitorování, dokumentaci a validaci produktů dodavatelů. Dále uvádí, že instituce zůstávají odpovědné za porozumění modelům dodavatelů, jejich omezením, vývojovým datům a výkonu. Pokyny vylučují generativní a agentní modely z formálního rozsahu, ale uvádí, že organizace by měly stále zavádět vhodnou správu a kontroly pro nástroje, které nejsou pokryty pokyny. (federalreserve.gov)

Bezpečnostní rada Payment Card Industry podobně doporučuje logování a monitorování akcí umělé inteligence, identifikaci odpovědné osoby a uchování dostatečných informací pro auditování výzev a procesů uvažování, kdekoli je to možné. (blog.pcisecuritystandards.org)

Užitečnou zásadou je:

Věrohodné vysvětlení není důkazem, že rozhodnutí bylo správné.

Výzkum publikovaný v roce 2026 argumentuje, že kvalita odůvodnění vyšetřovacího agenta musí být hodnocena odděleně od kvality jeho základního rozhodnutí o podvodu. (arxiv.org)

Měření zvýšení záchytu podvodů proti chargebackům

Zvýšení záchytu podvodů a snížení chargebacků jsou příbuzné, ale odlišné.

Zvýšení záchytu podvodů

Užitečným měřítkem je:

Zvýšení záchytu podvodů = zachycený podvod po nasazení minus zachycený podvod před nasazením, děleno zachycený podvod před nasazením

To by mělo být vypočítáno samostatně pro:

• Počet transakcí
• Hodnotu podvodu
• Potvrzený neoprávněný podvod
• Podvody s autorizovanými push platbami
• Převzetí účtu
• Podvody bez přítomnosti karty (card-not-present fraud)
• Podvody prvních stran
• Syntetická identita
• Podvody obchodníků
• Aktivitu peněžních mul

Míra chargebacků

Míra chargebacků by měla být vypočítána jako:

Počet chargebacků děleno vypořádané transakce

Také měřte:

• Hodnotu chargebacku
• Základní body chargebacku
• Úspěšnost opětovného předložení
• Míru sporů zákazníků
• Chargebacky související s podvody versus spory související se službami
• Čas od transakce k chargebacku
• Náklady na zotavení chargebacku
• Stížnosti zákazníků
• Falešná zamítnutí
• Míru schválení

Platforma může snížit chargebacky zamítnutím více transakcí, ale to může poškodit příjmy. Naopak, platforma může zvýšit schválení a zároveň snížit hodnotu podvodů lepším cílením.

Správná obchodní metrika proto není „nejnižší míra chargebacků“. Je to:

Maximální hodnota podvodu zabráněného a získaného zpět při přijatelných nákladech na falešná zamítnutí, schválení, obtěžování zákazníků a provozní náklady.

Latence při špičkovém zatížení

Tvrzení dodavatelů o latenci nejsou přímo srovnatelná. Tvrzení se může vztahovat na:

• Průměrnou latenci
• Mediánovou latenci
• Latenci v 95. percentilu
• Latenci v 99. percentilu
• Latenci pouze modelu
• Komplexní latenci (end-to-end)
• Výkon s teplou cache
• Jeden platební kanál
• Testovací prostředí spíše než produkční

Veřejné příklady zahrnují tvrzení Unit21 o rozhodování pod 250 milisekund, průměrné rozhodnutí Hawka o transakčním podvodu 150 milisekund, tvrzení ComplyAdvantage o odezvě pod jednu sekundu a více než 100 transakcí za sekundu a marketingový jazyk NICE Actimize na úrovni milisekund. (unit21.ai)

Vážný výkonnostní test by měl měřit:

• Mediánovou latenci
• Latenci v 95. percentilu
• Latenci v 99. percentilu
• Maximální udržitelnou propustnost
• Špičkovou okamžitou propustnost
• Latenci studeného startu
• Chování při vypršení časového limitu závislostí
• Růst fronty
• Chování při selhání (fail-open a fail-closed)
• Latenci podle platebního kanálu
• Latenci s rozšířením grafu
• Latenci s vyhledáváními v konsorciu
• Latenci během aktualizací modelu
• Regionální výkon při selhání

Vyšetřovací agent by měl být obvykle mimo kritickou platební cestu. Platba by neměla čekat na vyhledávání informací z otevřených zdrojů, velký průchod grafem nebo generativní narativ. Rozhodnutí o transakci by mělo být rychle dokončeno, zatímco hlubší vyšetřování probíhá asynchronně.

Soukromí dat a bezpečnost

Systémy pro boj proti podvodům zpracovávají vysoce citlivé informace, včetně finančních transakcí, vztahů mezi účty, dat o zařízeních, identifikačních záznamů a behaviorálních vzorců.

V USA vyžaduje Gramm-Leach-Bliley Act, aby kryté finanční instituce vysvětlily postupy sdílení informací a chránily citlivé zákaznické informace. Safeguards Rule Federální obchodní komise také ukládá povinnosti krytým institucím a vyžaduje pozornost poskytovatelům služeb, kteří zpracovávají zákaznická data. (ftc.gov)

Obecné nařízení o ochraně osobních údajů (GDPR) klade další omezení na rozhodnutí založená výhradně na automatizovaném zpracování, pokud tato rozhodnutí mají právní nebo podobně významné účinky. Vyžaduje také vhodné záruky, včetně práva na lidský zásah v relevantních případech. (eur-lex.europa.eu)

Standard zabezpečení dat platebních karet (PCI DSS) se vztahuje na subjekty, které ukládají, zpracovávají nebo přenášejí údaje držitelů karet. Rada pro bezpečnostní standardy platebních karet (PCI Security Standards Council) doporučuje tokenizaci, segmentaci, šifrování, řízení přístupu, logování a odpovědný lidský dohled nad systémy umělé inteligence používanými v platebních prostředích. (pcisecuritystandards.org)

Otázky týkající se soukromí, které je třeba položit každému dodavateli

1. Trénují se data zákazníků na sdíleném modelu?
2. Může zákazník odmítnout trénování modelu?
3. Jsou osobní identifikační údaje odstraněny nebo tokenizovány?
4. Jsou čísla platebních karet nahrazena tokeny?
5. Kde jsou data uložena a zpracována?
6. Mohou data zůstat ve vybraném geografickém regionu?
7. Jsou signály konsorcia anonymizovány?
8. Jsou surové záznamy zákazníků sdíleny s jinými institucemi?
9. Jaká je doba uchovávání?
10. Mohou být data smazána po ukončení smlouvy?
11. Jací subdodavatelé data přijímají?
12. Jsou výzvy velkého jazykového modelu uchovávány?
13. Může vyšetřovací agent přistupovat k externím webovým stránkám?
14. Jsou nástroje agenta omezeny rolí a politikou?
15. Jsou záznamy případů šifrovány v klidovém stavu a během přenosu?
16. Může instituce auditovat každý přístup k datům?
17. Jsou k dispozici nasazení do privátního cloudu nebo on-premise?

Feedzai popisuje federovaný přístup, při kterém surová zákaznická data zůstávají lokální, zatímco anonymizované signály se vyměňují. ComplyAdvantage popisuje geografické oddělení a podnikové bezpečnostní kontroly. Hawk inzeruje možnosti nasazení jako software jako služba, privátní cloud a on-premise. Pokyny pro kupující Unit21 zdůrazňují izolaci dat, šifrování, regionální hosting, omezení trénování modelů, kontroly zpětné vazby a zajištění kvality. (feedzai.com)

Jedná se o užitečné volby designu, ale žádná z nich automaticky neprokazuje právní soulad. Instituce zůstává odpovědná za své dohody o zpracování dat, oznámení o soukromí, posouzení rizik a dohled nad třetími stranami.

Monitorování posunu modelu

Podvody jsou nepřátelské. Jakmile se kontrola stane účinnou, zločinci změní zařízení, částky, obchodníky, příjemce, načasování platby, identifikační údaje nebo transakční cesty.

Program monitorování modelu by měl sledovat:

Posun dat

• Změny v částkách transakcí
• Nové kategorie obchodníků
• Nové země nebo regiony
• Změny zařízení a prohlížečů
• Chybějící nebo zpožděná pole
• Nové platební kanály
• Změny ve složení zákazníků
• Změny ve složení protistran

Posun predikce

• Distribuce skóre
• Objem upozornění
• Objem zamítnutí
• Objem přezkoumání
• Míra automatického řešení
• Stabilita prahu
• Kalibrace

Posun výsledků

• Přesnost po dozrání štítků
• Návratnost
• Záchyt hodnoty podvodu
• Míra chargebacků
• Falešná zamítnutí
• Stížnosti zákazníků
• Výsledky sporů
• Přepsání analytiky
• Konverze zpráv o podezřelé činnosti

Provozní posun

• Doba vyšetřování
• Stáří fronty
• Dotyky analytika na případ
• Selhání při získávání důkazů
• Chyby nástrojů agenta
• Halucinované nebo nepodložené nároky
• Změny pravidel
• Změny verzí modelu
• Výpadky zdrojů dat

Pokyny Federálního rezervního systému z roku 2026 doporučují průběžné monitorování a analýzu výsledků pro určení, zda modely zůstávají přesné, vhodné pro daný účel a spolehlivé, když se mění produkty, zákazníci, expozice a tržní podmínky. (federalreserve.gov)

Featurespace zdůrazňuje adaptivní behaviorální modely určené ke snížení ručního přeškolování. Feedzai publikoval výzkum o detekci streamovaného posunu dříve, než jsou k dispozici štítky. Unit21 poskytuje režimy stínování, validace a sandboxu pro testování nové logiky podvodů. ComplyAdvantage poskytuje metriky výkonu pravidel, jako jsou míry zásahů a trendy falešných pozitiv. Hawk prosazuje správu životního cyklu modelů a automatickou správu modelů. (staging.www.featurespace.com)

Zvláště důležitou kontrolou je monitorování zpožděných štítků. Chargebacky a potvrzené štítky podvodů mohou dorazit týdny nebo měsíce po původním rozhodnutí. Organizace by neměly čekat na konečné štítky podvodů, než začnou monitorovat náhlé změny v distribuci vstupů, vzorcích upozornění nebo chování zákazníků.

Doporučená hodnotící karta pro kupujícího

Praktické hodnocení může přiřadit váhy následovně:

Požadujte po každém dodavateli, aby provedl stejné hodnocení:

1. Poskytněte historický vzorek transakcí s potvrzenými výsledky.
2. Použijte chronologické spíše než náhodné rozdělení testovacích dat.
3. Spusťte tiché produkční přehrání.
4. Porovnejte s aktuálními pravidly a modely.
5. Měřte přesnost při skutečné míře přezkoumání.
6. Měřte návratnost při skutečné míře zamítnutí.
7. Nahlaste zachycenou hodnotu podvodu.
8. Nahlaste dopady chargebacků a falešných zamítnutí.
9. Měřte mediánovou latenci, latenci v 95. percentilu a 99. percentilu.
10. Měřte minuty analytika na upozornění a na případ.
11. Testujte špičkový provoz a selhání závislostí.
12. Přezkoumejte vysvětlení s analytiky podvodů a úředníky pro dodržování předpisů.
13. Testujte posun modelu napříč zeměmi, produkty, obchodníky a platebními kanály.
14. Auditujte doporučení agenta proti zdrojovým důkazům.
15. Během pilotního projektu ponechte akce s vysokou hodnotou v režimu lidského přezkumu.

Mezery na trhu a lepší řešení k vybudování

Největší mezerou na trhu není další skóre podvodů. Je to standardizovaná platforma pro operace s podvody založená na důkazech, která umožňuje měřit tvrzení dodavatelů a reprodukovat regulatorní přezkumy.

Silnější řešení by zahrnovalo následující.

1. Dvouskřítková architektura

• Synchronní rozhodování o transakcích pod 100 milisekund
• Asynchronní rozšíření grafu a vyšetřování
• Samostatná prostředí agentů pro výzkum a nápravu
• Žádná závislost na velkých jazykových modelech v cestě autorizace platby

2. Univerzální vyhodnocovací nástroj

Platforma by měla automaticky vypočítávat:

• Přesnost
• Návratnost
• Přesnost při pevných místech přezkumu
• Návratnost při pevných místech zamítnutí
• Záchyt hodnoty podvodu
• Míru chargebacků
• Míru falešných zamítnutí
• Míru schválení
• Ušetřený čas analytika
• Dobu řešení případu
• Latenci v 95. a 99. percentilu
• Posun podle segmentu a typologie

To by institucím umožnilo porovnávat dodavatele pomocí stejných definic.

3. Balíčky pro přehrávání pro regulátory

Pro každé podstatné rozhodnutí by systém měl uchovávat:

• Vstupní data
• Verze modelu
• Verze pravidla
• Verze grafu
• Skóre
• Práh
• Kódy důvodů
• Důkazy
• Akce agenta
• Lidské zásahy
• Konečné rozhodnutí
• Reprodukovatelné pokyny pro přehrávání

4. Síťová inteligence zachovávající soukromí

Budoucí konsorcium by mělo podporovat:

• Federované učení
• Bezpečné vícestranné výpočty
• Tokenizované identifikátory
• Diferenciální soukromí, kde je to vhodné
• Regionální zpracování
• Institucí řízené uchovávání dat
• Transparentní řízení konsorcia

5. Bezpečná orchestrace nápravy

Agenti by měli doporučovat a provádět akce podle konfigurovatelných úrovní rizika:

• Falešná pozitiva s nízkým rizikem mohou být automaticky uzavřena
• Případy se středním rizikem mohou vyžadovat schválení analytikem
• Platby s vysokou hodnotou mohou vyžadovat dvojí schválení
• Uzavření účtu může vyžadovat lidské rozhodnutí
• Změny pravidel by měly vyžadovat testování a správu verzí
• Regulatorní podání by měla vyžadovat odpovědné lidské schválení

6. Skórování kvality důkazů

Systém by měl skórovat nejen rozhodnutí o podvodu, ale také kvalitu důkazů, které ho podporují:

• Jsou všechna tvrzení propojena se zdrojovými záznamy?
• Použil agent zastaralé informace?
• Vynechal protichůdné důkazy?
• Záměnil související entitu s předmětem?
• Doporučil akci mimo politiku?
• Může jiný vyšetřovatel reprodukovat závěr?

To by pomohlo zabránit uhlazeným, ale nepodloženým vyšetřovacím narativům.

Závěr

Nejlepší agenti pro detekci podvodů a monitorování transakcí nejsou jen chatboti připojené k frontám upozornění. Jsou to vrstvené rizikové systémy, které kombinují pravidla v reálném čase, strojové učení, behaviorální analýzu, grafovou inteligenci, automatizaci vyšetřování, vysvětlitelnost a řízenou nápravu.

Pro většinu institucí je nejsilnější cílová architektura:

1. Pravidla pro jasné kontroly politik
2. Strojové učení pro skórování behaviorálního rizika
3. Grafová analýza pro propojené podvody a finanční kriminalitu
4. Vyšetřovací agenti pro shromažďování důkazů
5. Lidské schválení pro podstatné akce
6. Průběžné monitorování pro posun, latenci, soukromí a kvalitu výsledků

Unit21 a Sardine jsou obzvláště přesvědčivé pro agentní operace pro boj proti podvodům a digitální finanční služby. Feedzai a Featurespace mají silné důkazy v detekci rozsáhlých platebních podvodů. ComplyAdvantage a NICE Actimize jsou silnými volbami pro monitorování transakcí, vyšetřování a regulatorní hlášení. Hawk vyniká vysvětlitelným rozhodováním v reálném čase. Quantexa je obzvláště silná pro kontextová vyšetřování založená na grafech. Nasdaq Verafin je dobře umístěn pro severoamerické operace finanční kriminality poháněné konsorciem, zatímco FICO je silnou možností pro instituce, které chtějí hlubokou kontrolu nad rozhodováním a správou modelů.

Rozhodujícím kritériem nákupu by neměla být nejpůsobivější demonstrace umělé inteligence. Mělo by to být, zda platforma dokáže na vlastních datech instituce a v produkčním měřítku prokázat:

• Vyšší návratnost podvodů
• Lepší přesnost
• Více zachycené hodnoty podvodu
• Nižší chargebacky bez nadměrných zamítnutí
• Méně času analytiků
• Spolehlivou latenci při špičkovém zatížení
• Obhajitelná vysvětlení
• Silné kontroly soukromí
• Měřitelnou odolnost proti posunu modelu