Топ-10 агентов по обнаружению мошенничества и мониторингу транзакций

Топ-10 агентов по обнаружению мошенничества и мониторингу транзакций

Обновлено 17 августа 2026 г.

Предотвращение мошенничества переходит от изолированных оценок рисков к комплексным операциям с рисками. Ожидается, что современные системы будут оценивать транзакцию в реальном времени, связывать ее с соответствующими счетами и устройствами, расследовать сопутствующую активность, объяснять решение и рекомендовать дальнейшие действия.

Этот рабочий процесс важен, поскольку модель транзакций и агент-расследователь решают разные задачи. Правила и модели машинного обучения обнаруживают и оценивают риски. Агенты собирают доказательства, связывают события, обобщают дела, рекомендуют действия, а иногда автоматизируют устранение низкорисковых ситуаций. Unit21 прямо описывает это различие: агент по борьбе с мошенничеством должен выполнять задачи расследования, а не просто отображать оценку или суммировать информацию, уже видимую аналитику. (unit21.ai)

Поэтому самые сильные платформы сочетают в себе:

• Правила реального времени и машинное обучение
• Поведенческая аналитика и аналитика устройств
• Графовый анализ сущностей и транзакций
• Расследование дел и сбор доказательств
• Объяснимые решения и неизменяемые аудиторские следы
• Рекомендации по устранению
• Мониторинг дрейфа моделей и результатов

Эта статья сравнивает десять ведущих платформ по этим требованиям, уделяя особое внимание точности, полноте, увеличению обнаружения мошенничества, результатам чарджбэков, продуктивности аналитиков, конфиденциальности, задержке, объяснимости и дрейфу моделей.

Заключение руководства

Не существует универсального лучшего агента по обнаружению мошенничества. Правильный выбор зависит от того, является ли основной проблемой мошенничество с картами, мгновенные платежи, захват учетных записей, мошенничество с авторизованными push-платежами, отмывание денег, проверка на санкции или возможности расследования.

Самый важный вывод заключается в том, что зрелость агента и качество обнаружения — это отдельные измерения. Платформа может иметь впечатляющего помощника по расследованию, но слабую полноту обнаружения на уровне транзакций. Другая может иметь отличную оценку мошенничества, но ограниченную автономную работу с делами. Покупателям следует оценивать эти два слоя отдельно.

Как работают агенты по обнаружению мошенничества

Практическая архитектура обнаружения мошенничества и мониторинга транзакций состоит из четырех слоев.

1. Принятие решений в реальном времени

Этот уровень оценивает платеж до его расчетов. Он обычно сочетает в себе:

• Детерминированные правила
• Проверки скорости
• Поведенческие профили
• Сигналы устройства и сессии
• Риск клиента и контрагента
• Исторические паттерны транзакций
• Сетевая или консорциумная аналитика
• Обучение с учителем и без учителя

Выходом обычно является решение об одобрении, отклонении, удержании или проверке, сопровождаемое оценкой риска и кодами причин.

2. Анализ графов и взаимосвязей

Графовые системы связывают:

• Клиентов
• Счета
• Карты
• Устройства
• Интернет-адреса
• Телефонные номера
• Адреса электронной почты
• Продавцов
• Бенефициаров
• Контрагентов
• Транзакции

Это особенно полезно для выявления мошеннических сетей, сетей "денежных мулов", синтетических личностей, сговора, захвата учетных записей и перемещения денег через несколько счетов.

Однако графовый анализ не является автоматически "графовым рассуждением". Визуализация, показывающая связанные сущности, отличается от модели, которая оценивает многоступенчатые взаимосвязи, последовательности транзакций и сетевое поведение. Лучшие системы создают цепочки доказательств, например:

«Этот бенефициар получил средства с семи недавно открытых счетов, все они связаны с двумя устройствами и одним телефонным номером, ранее связанным с подтвержденным мошенничеством».

3. Агенты-расследователи

Агент-расследователь может:

• Получить историю транзакций
• Искать связанные сущности
• Просматривать предыдущие оповещения и решения
• Изучать информацию об устройстве и поведении
• Запрашивать внешнюю аналитику
• Выявлять связанные дела
• Построить хронологию
• Обобщить доказательства
• Рекомендовать решение
• Составить внутреннее описание дела
• Подготовить отчет о подозрительной деятельности

Агент должен показывать доказательства, подтверждающие каждое заключение. Свободное повествование без исходных записей недостаточно для регулятора или опытного следователя.

4. Устранение и обратная связь

Финальный слой рекомендует или выполняет действия, такие как:

• Одобрить транзакцию
• Запросить усиленную аутентификацию клиента
• Приостановить на короткий срок
• Отклонить транзакцию
• Приостановить действие счета
• Заблокировать устройство или бенефициара
• Отозвать или вернуть средства
• Связаться с клиентом
• Передать старшему следователю
• Подать отчет о подозрительной деятельности
• Инициировать усиленную комплексную проверку
• Создать или изменить правило
• Добавить связанные сущности в список наблюдения
• Более внимательно отслеживать клиента

Действия с высоким риском должны оставаться под контролем политики и требовать одобрения человека. Агент не должен иметь неограниченных полномочий изменять правила, постоянно закрывать счета или подавать регуляторные отчеты без соответствующего управления.

Важные ограничения публичных бенчмарков

Поставщики решений по борьбе с мошенничеством часто публикуют впечатляющие проценты, но эти цифры редко поддаются прямому сравнению. Публичные тематические исследования могут сообщать:

• Процентное изменение от нераскрытой базовой линии
• Объем выявленного мошенничества, а не полнота обнаружения на уровне транзакций
• Снижение количества ложных срабатываний без данных о ложных отрицаниях
• Результаты по одному платежному каналу
• Короткий период тестирования
• Внедрение, специфичное для конкретного клиента
• Выбранная типология мошенничества
• Модель, работающая в сочетании с другими контрольными механизмами

Большинство поставщиков не публикуют стандартизированную матрицу ошибок, содержащую количество транзакций, распространенность мошенничества, точность, полноту, частоту ложных срабатываний, частоту ложных отказов, результаты чарджбэков и доверительные интервалы.

Это означает, что приведенные ниже рейтинги основаны на соответствии возможностям и публичных доказательствах, а не на утверждении, что один поставщик окончательно достиг наивысшей реальной точности или полноты обнаружения.

Точность и полнота

Для детектора мошенничества:

• Точность (Precision) спрашивает: Из транзакций, помеченных как мошенничество, сколько на самом деле были мошенническими?
• Полнота (Recall) спрашивает: Из всех мошеннических транзакций, сколько система обнаружила?
• Частота ложных срабатываний (False-positive rate) измеряет законную активность, ошибочно помеченную или заблокированную.
• Частота ложных отрицаний (False-negative rate) измеряет мошенничество, которое прошло незамеченным.

Поскольку мошенничество обычно редко по сравнению с законной деятельностью, точность может вводить в заблуждение. Недавнее исследование, использующее публичный европейский набор данных о кредитных картах, работало с 284 807 транзакциями и распространенностью мошенничества всего 0,173 процента, при этом применялись хронологические разделения данных для моделирования временного дрейфа. (pubmed.ncbi.nlm.nih.gov)

Модель может казаться очень точной, но при этом пропускать коммерчески значимый объем мошенничества. Покупателям следует расставить приоритеты:

1. Точность при фактической частоте проверки
2. Полнота при фактической частоте отклонения или вмешательства
3. Объем выявленного мошенничества
4. Ложные отказы
5. Частота чарджбэков и оспариваний
6. Показатели одобрения и конверсии
7. Рабочая нагрузка аналитика
8. Производительность после созревания меток

Обзор публичных доказательств

Следующие данные представляют собой результаты, сообщаемые поставщиками или полученные из тематических исследований клиентов, если не указано иное. «Не раскрыто публично» означает, что поставщик не публикует сопоставимые результаты точности и полноты для всей платформы.

Топ-10 агентов по обнаружению мошенничества и мониторингу транзакций

1. Unit21: Лучшая универсальная агентская платформа для борьбы с мошенничеством и финансовыми преступлениями

Unit21 — один из самых ярких примеров платформы, разработанной на основе полного рабочего процесса от обнаружения до расследования. Ее система объединяет правила, поведенческие сигналы, аналитику устройств, графовый анализ, информацию о консорциумах по борьбе с мошенничеством, управление делами и агентов искусственного интеллекта.

Ее Агент обнаружения анализирует транзакции и оповещения в реальном времени. Ее Агент расследования собирает доказательства, идентифицирует связанные сущности, резюмирует риски, рекомендует действия и создает описания дел. Платформа также поддерживает рабочие процессы от оповещения к делу и к отчету о подозрительной деятельности с документированными шагами расследования. (unit21.ai)

В чем Unit21 преуспевает

• Хорошо подходит для финтехов, платежных компаний и финансовых учреждений
• Заявления о принятии решений в реальном времени менее чем за 250 миллисекунд
• Правила, объяснимое машинное обучение, графовые правила и агенты расследования в одной среде
• Теневое тестирование, историческая валидация и развертывание в песочнице
• Межканальный мониторинг по ACH, банковским переводам, картам, мгновенным платежам, криптовалюте и межбанковским платежам
• Цепочки доказательств, генерируемые агентом, а не только описательные резюме

Unit21 также подчеркивает, что группы по управлению рисками могут видеть, какие переменные внесли вклад в оценку машинного обучения, и использовать графовые правила для выявления скрытых связей. (unit21.ai)

Оценка бенчмарка

Публичные материалы сообщают о 50-процентном сокращении ложных срабатываний и 70-процентном сокращении потерь от мошенничества в одном примере продукта, ориентированного на клиента, но компания не публикует стандартизированные показатели точности, полноты или чарджбэков для всех клиентов. (unit21.ai)

Лучший выбор для: Растущей финтех-компании или платежной организации, которая хочет иметь единую платформу для оценки в реальном времени, расследований, графового анализа и рабочих процессов устранения.

Основной риск: Покупателям следует проверить, разрешено ли агенту-расследователю автоматически закрывать оповещения, только рекомендовать решения или выполнять различные действия в зависимости от уровня риска.

2. Sardine: Лучший выбор для аналитики устройств, графов мошенничества и цифровой коммерции

Sardine сочетает в себе аналитику устройств, поведенческий анализ, машинное обучение, правила, сетевую аналитику, графовый анализ и агентские операции по борьбе с мошенничеством. Он особенно силен там, где мошенничество затрагивает клиентский путь до транзакции, включая онбординг, вход в систему, захват учетных записей, ботов, синтетические личности, мошенничество с платежами и мошеннические действия.

Ее графовые возможности связывают пользователей, устройства, интернет-адреса, телефонные номера, адреса электронной почты и транзакции. Ее агенты включают мониторинг транзакций, графовый анализ, помощь в создании правил, анализ данных, исследования по открытым источникам, проверку на санкции и генерацию отчетов о подозрительной деятельности. (sardine.ai)

В чем Sardine преуспевает

• Аналитика устройств и поведенческий анализ
• Обнаружение захвата учетных записей и ботов
• Межканальный анализ личности и транзакций
• Мошенничество в торговле и цифровой коммерции
• Графовые расследования мошеннических сетей
• Правила, созданные на основе описаний на естественном языке
• Автоматизированные рабочие процессы по оспариванию и чарджбэкам
• Риск банковских платежей до отправки и расчета

Sardine сообщает о нескольких специфических для клиентов результатах, включая 95-процентную точность в одном случае использования решения о регистрации, 70-процентное сокращение потерь от чарджбэков, связанных с картами, в одном банковском внедрении и частоту чарджбэков 0,0003 процента в том же случае. Также сообщается, что одно внедрение разрешило 55 процентов оповещений примерно за 30 секунд. (sardine.ai)

Оценка бенчмарка

Показатели чарджбэков Sardine коммерчески полезны, но частота чарджбэков не тождественна полноте обнаружения. Более низкая частота чарджбэков может быть результатом лучшего обнаружения, более строгой аутентификации клиентов, ужесточения политик одобрения, иного состава продавцов или изменения ответственности.

Лучший выбор для: Цифровых банков, платежных компаний, маркетплейсов, криптовалютных платформ и продавцов, которым необходимы комплексные данные об идентификации, устройствах, графах и транзакциях.

Основной риск: Требуется бенчмарк по каждому платежному каналу. Результаты по онбордингу или мошенничеству с картами не должны автоматически распространяться на платежи ACH, мошенничество с авторизованными push-платежами или мониторинг AML.

3. Feedzai: Лучший выбор для принятия решений по крупномасштабному мошенничеству с платежами

Feedzai — это зрелая корпоративная платформа для борьбы с мошенничеством, ориентированная на принятие решений по платежам в реальном времени с большим объемом. Ее платформа RiskOps сочетает в себе контроль идентификации, мошенничества и борьбы с отмыванием денег, а ее сетевые продукты добавляют коллективный интеллект, не требуя от учреждений обмена сырой персонально идентифицируемой информацией.

Feedzai IQ заявляет, что необработанные данные остаются в среде учреждения, в то время как анонимизированные сигналы риска и агрегированные паттерны обмениваются по сети. Feedzai сообщает о четырехкратном увеличении обнаружения мошенничества, на 50 процентов меньше оповещений по сравнению с подходами, основанными на правилах, и 27-процентном улучшении приема платежей для пользователей своего продукта сетевой аналитики. (feedzai.com)

В чем Feedzai преуспевает

• Крупные банки, платежные процессоры и карточные сети
• Оценка платежей в реальном времени по всем каналам
• Совместное использование правил и машинного обучения
• Сетевая аналитика и графовая визуализация
• Объяснимые коды причин
• Создание правил на естественном языке
• Расследование дел и рабочий процесс аналитика
• Консорциумная аналитика, заботящаяся о конфиденциальности
• Развертывание моделей с большим объемом данных

Feedzai сообщает, что один крупный североамериканский банк достиг средней скорости обнаружения по стоимости в 75 процентов при уровне вмешательства 0,1 процента, наряду с частотой обнаружения ложных срабатываний 12 к 1. Также сообщается о 73-процентном сокращении ложных срабатываний и на 62 процента больше обнаруженного мошенничества, чем в предыдущем решении, в других корпоративных примерах. (feedzai.com)

Возможность расследования Genome от Feedzai использует визуальные связи между клиентами, картами, транзакциями и другими сущностями. Одно из тематических исследований клиентов показало, что расследование, которое ранее занимало полдня, теперь может быть завершено примерно за десять минут, с увеличением обнаружения мошенничества на 15 процентов по конкретным оповещениям. (feedzai.com)

Мониторинг дрейфа

Feedzai также опубликовала исследование по автоматическому мониторингу моделей для потоковых данных о мошенничестве. Ее подход к мониторингу предназначен для выявления изменений до того, как станут доступны метки, и предоставления объяснений вероятных причин дрейфа. Исследование было проведено на пяти реальных наборах данных о мошенничестве, общим объемом более 22 миллионов онлайн-транзакций. (research.feedzai.com)

Лучший выбор для: Крупных банков, процессоров и платежных сетей, которым требуются зрелые системы принятия решений в реальном времени, широкий охват платежей и сложные операции с моделями.

Основной риск: Feedzai имеет широкий продуктовый портфель. Покупателям следует протестировать точную комбинацию оценки мошенничества, автоматизации расследований, сетевой аналитики и функциональности по борьбе с отмыванием денег, которую они приобретают.

4. ComplyAdvantage Mesh: Лучший выбор для автоматизированного устранения проблем мониторинга транзакций

ComplyAdvantage Mesh наиболее силен в борьбе с отмыванием денег, мониторинге транзакций, проверке клиентов, проверке на санкции и аналитике рисков. Ее недавняя стратегия платформы помещает агентские рабочие процессы в унифицированную систему управления делами.

Платформа заявляет, что ее цепочка принятия решений может разрешать от 65 до 85 процентов ложноположительных оповещений посредством комбинации оценки рисков, агентов искусственного интеллекта и аналитиков. Она также сообщает о более чем 100 транзакциях в секунду со временем отклика менее одной секунды и более 3,5 миллиарда ежедневных сообщений, обрабатываемых по всей платформе. (complyadvantage.com)

В чем ComplyAdvantage преуспевает

• Совместная работа правил и продвинутого машинного обучения
• Мониторинг транзакций и проверка платежей
• Создание правил на естественном языке
• Графовые и кластерные паттерны
• Автоматизированное устранение оповещений
• Управление делами и аудиторские следы
• Подготовка отчетов о подозрительной деятельности
• Аналитика рисков на основе санкций, политически значимых лиц, негативных медиа и поведенческих сигналов
• Региональное разделение данных и корпоративные меры безопасности

ComplyAdvantage сообщает, что PayNearMe сократила время аналитиков, затрачиваемое на мониторинг транзакций, примерно на 50 процентов. Paytron сообщил о 20-процентном сокращении ложных срабатываний и 75-процентном сокращении запросов после транзакций. (complyadvantage.com)

Его публичные материалы платформы заявляют о сокращении ложных срабатываний до 82 процентов, но эти цифры следует рассматривать как результаты, сообщаемые поставщиком, а не как независимый бенчмарк. (complyadvantage.com)

Конфиденциальность и управление

ComplyAdvantage заявляет, что Mesh поддерживает шифрование данных в состоянии покоя и при передаче, географическое разделение данных, ролевые разрешения, единый вход (SSO), стандарты ISO 27001, SOC 2 и обработку данных в соответствии с GDPR. Это полезные меры контроля, но покупателям все равно необходимо просмотреть договор, субпроцессоров, сроки хранения и условия обучения моделей. (complyadvantage.com)

Лучший выбор для: Платежных компаний и финансовых учреждений, чьим основным узким местом является объем оповещений по борьбе с отмыванием денег и их устранение, а не задержка авторизации карт.

Основной риск: Проверяйте полноту обнаружения, специфичную для мошенничества, отдельно от производительности разрешения оповещений по борьбе с отмыванием денег.

5. NICE Actimize: Лучший выбор для расследований в крупных банках и регуляторной отчетности

NICE Actimize — это корпоративная платформа по борьбе с финансовыми преступлениями, охватывающая предотвращение мошенничества, борьбу с отмыванием денег, санкции, отчетность о подозрительной деятельности, управление делами и рабочие процессы расследований.

Ее платформа сообщает, что она отслеживает более пяти миллиардов транзакций в день и использует обнаружение мошенничества на уровне миллисекунд. Она также предлагает сетевую аналитику, оценку рисков на основе типологий, интегрированные расследования и генеративный искусственный интеллект для составления резюме дел и описаний отчетов о подозрительной деятельности. (info.niceactimize.com)

В чем NICE Actimize преуспевает

• Крупные и сложные финансовые учреждения
• Многоканальные программы по борьбе с мошенничеством и финансовыми преступлениями
• Управление делами и координация расследований
• Подготовка отчетов о подозрительной деятельности
• Сетевая визуализация
• Управление и регуляторная отчетность
• Рабочие процессы расследований с участием человека
• Интеграция с унаследованными системами

NICE сообщает, что ее возможности расследования могут сократить время расследования до 50 процентов, а время подготовки отчетов о подозрительной деятельности — до 70 процентов. Ее Xceed FraudDesk CoPilot сообщает о 80-процентном ускорении сортировки и рассмотрения оповещений, 60-процентном сокращении времени обработки дела до отчета и 40-процентном сокращении ложных срабатываний. (resources.niceactimize.com)

Оценка бенчмарка

NICE публикует серьезные заявления об операционной деятельности и масштабе, но меньше публичных данных о точности и полноте обнаружения на уровне транзакций. Покупатель должен запросить:

• Точность и полнота по типологии мошенничества
• Результаты до и после наложения машинного обучения
• Взвешенная по стоимости полнота обнаружения
• Частота ложных отказов
• Время расследования в зависимости от сложности дела
• Точность автоматического решения
• Производительность при пиковой нагрузке

Лучший выбор для: Крупных банков, которым требуется широкий охват финансовых преступлений, налаженное управление и глубокие возможности регуляторной отчетности.

Основной риск: Сложность внедрения и возможность того, что самые передовые возможности требуют нескольких модулей и обширной интеграционной работы.

6. Hawk: Лучший выбор для объяснимого, низколатентного мониторинга мошенничества и финансовых преступлений

Hawk фокусируется на объяснимом искусственном интеллекте, мониторинге транзакций в реальном времени, предотвращении мошенничества, борьбе с отмыванием денег, проверке на санкции и конвергенции операций по борьбе с мошенничеством и финансовыми преступлениями.

Его платформа для борьбы с транзакционным мошенничеством сообщает о среднем времени принятия решения в 150 миллисекунд и поддерживает платежные системы ACH, карты, чеки, P2P, банковские переводы и другие платежные каналы. Hawk также продвигает гибридный подход, при котором традиционные правила генерируют исключения, а машинное обучение оценивает вероятность того, что оповещение является истинным или ложным срабатыванием. (hawk.ai)

В чем Hawk преуспевает

• Объяснимое машинное обучение
• Пресечение платежей в реальном времени
• Правила и машинное обучение в едином рабочем процессе
• Сближение борьбы с мошенничеством и отмыванием денег
• Самостоятельное управление правилами
• Управление моделями
• Развертывание как SaaS, частное облако или локальная технология
• Автоматизация расследований

Hawk сообщает о трех-пятикратном увеличении точности, 70-процентном сокращении ложных оповещений, 30-процентном увеличении числа выявленных мошеннических клиентов и 62-процентном сокращении времени расследования случаев отмывания денег во всех опубликованных материалах о влиянии. (hawk.ai)

Его следственный агент 2026 года расширяет возможности Hawk за пределы обнаружения и приоритезации оповещений, включая сбор доказательств и поддержку расследований. (hawk.ai)

Оценка бенчмарка

Позиционирование Hawk в области объяснимости и низкой задержки убедительно, но множитель точности трудно оценить без исходной точности, популяции, тестового периода и частоты вмешательства. Покупателям следует запрашивать полную кривую точности-полноты, а не только заявленное процентное улучшение.

Лучший выбор для: Банков, платежных компаний и финансовых учреждений, которые отдают приоритет объяснимости, быстрому развертыванию, пресечению в реальном времени и гибкому развертыванию.

Основной риск: Подтвердите, обладает ли следственный агент достаточными возможностями, специфичными для мошенничества, или же он в первую очередь оптимизирован для расследований по борьбе с отмыванием денег.

7. Featurespace: Лучший выбор для адаптивного поведенческого обнаружения мошенничества

Featurespace отличается адаптивной поведенческой аналитикой и автоматизированными глубокими поведенческими сетями. Вместо того чтобы полагаться в основном на известные плохие индикаторы, платформа моделирует нормальное поведение и выявляет значимые отклонения.

Этот подход полезен, когда мошенники имитируют законную деятельность или когда у учреждения есть ограниченное количество подтвержденных меток мошенничества. Featurespace заявляет, что ее модели адаптируются к меняющемуся поведению и требуют меньше ручной переобучения, а решения аналитиков учитываются в будущем мониторинге. (staging.www.featurespace.com)

В чем Featurespace преуспевает

• Мошенничество с картами
• Межбанковские платежи
• Мошенничество с авторизованными push-платежами
• Мошенничество с заявками
• Синтетические личности
• Адаптивное профилирование клиентов
• Снижение деградации моделей
• Высокопроизводительная оценка транзакций в реальном времени

Публичные данные от клиентов являются одними из самых убедительных для обнаружения мошенничества. Central 1 сообщила об объеме обнаружения мошенничества в 79 процентов, что описывается как 51-процентное улучшение по сравнению с отраслевым бенчмарком, и 67-процентной стоимости обнаруженного мошенничества при сохранении соотношения ложноположительных результатов 2 к 1. (featurespace.com)

NatWest сообщила о 135-процентном улучшении стоимости обнаруженных мошенничеств и 75-процентном сокращении ложных срабатываний в одном из более поздних обзоров тематических исследований. Ранее материалы сообщали о 50-процентном увеличении обнаруженного мошенничества и стоимости мошенничества в течение 24 часов после развертывания. (featurespace.com)

Featurespace также сообщает, что TSYS оценивает один миллиард транзакций в месяц, и что 77,8 процента оспоренных транзакций были мошенническими в одном тематическом исследовании 2025 года. (featurespace.com)

Оценка бенчмарка

Featurespace обладает убедительными публичными доказательствами выявления стоимости мошенничества и адаптивного моделирования поведения, но меньше публичных доказательств для автономных агентов расследования и рекомендаций по устранению.

Лучший выбор для: Эмитентов, банков, процессоров и поставщиков платежей, где изменение поведения клиентов и деградация моделей являются основными проблемами.

Основной риск: Убедитесь, что возможности платформы по управлению делами и расследованиям соответствуют тому же стандарту, что и ее оценка транзакций.

8. Quantexa: Лучший выбор для графового разрешения сущностей и контекстных расследований

Quantexa наиболее силен, когда сигнал о мошенничестве или финансовом преступлении распределен по взаимосвязям, а не виден в одной транзакции.

Ее платформа создает связанное представление клиентов и контрагентов посредством разрешения сущностей и генерации графов. Контекстный мониторинг оценивает транзакции наряду с отношениями, структурами владения, исторической активностью и внешней информацией. Q Assist поддерживает рабочие процессы расследований и генерации отчетов. (quantexa.com)

В чем Quantexa преуспевает

• Разрешение сущностей
• Анализ контрагентов и бенефициарных владельцев
• Сети денежных мулов и отмывания денег
• Комплексные расследования
• Контекстный мониторинг по борьбе с отмыванием денег
• Приоритизация рисков на основе графов
• Регуляторная отчетность
• Объединение данных из фрагментированных систем

Quantexa сообщает о сокращении ложных срабатываний до 75 процентов, сокращении усилий по расследованию на 50 процентов и более, а также о том, что до 40 процентов рисков, выявленных Quantexa, были пропущены устаревшими системами. Другая публичная страница влияния сообщает о сокращении времени расследования до 80 процентов в масштабе. (quantexa.com)

Оценка бенчмарка

Quantexa обычно не является первым выбором для принятия решения по авторизации карты менее чем за 100 миллисекунд. Ее ценность часто выше в контекстном анализе рисков, обнаружении сетей и ускорении расследований.

Графовые методы могут быть очень эффективными, но покупатели должны проверить:

• Точность разрешения сущностей
• Ложные связи между несвязанными клиентами
• Частота обновления графа
• Задержка многошагового поиска
• Объяснимость графовых признаков
• Производительность при неполных данных о взаимосвязях

Лучший выбор для: Крупных банков и регулируемых учреждений, чьи самые сложные дела связаны со скрытыми связями, контрагентами, сетями денежных мулов или фрагментированными данными.

Основной риск: Работа по интеграции и созданию основы данных может быть значительной, прежде чем графовые рассуждения дадут надежные результаты.

9. Nasdaq Verafin: Лучший выбор для операций по борьбе с мошенничеством в местных банках, основанных на консорциумной аналитике

Nasdaq Verafin обслуживает банки и кредитные союзы, предоставляя им инструменты для обнаружения мошенничества, борьбы с отмыванием денег, проверки на санкции, управления клиентами с высоким риском, обмена информацией и расследований. Nasdaq сообщает, что Verafin обслуживает более 2750 североамериканских финансовых учреждений и использует консорциумную информацию, основанную на данных тысяч учреждений. (ir.nasdaq.com)

В 2025 и 2026 годах Nasdaq представила свою агентскую рабочую силу на основе искусственного интеллекта, включая цифровых аналитиков по санкциям, аналитиков по усиленной комплексной проверке, агентского аналитика по борьбе с отмыванием денег и агентского аналитика по мошенничеству. Объявленный аналитик по мошенничеству изначально фокусируется на необычной активности автоматизированной расчетной палаты. Платформа поддерживает режим рекомендаций, обеспечение качества, настраиваемую проверку человеком и планируемое автоматическое разрешение ложноположительных оповещений. (nasdaq.com)

В чем Verafin преуспевает

• Местные и региональные финансовые учреждения
• Консорциумная аналитика
• Мошенничество с автоматизированной расчетной палатой (ACH), чеками, банковскими переводами и депозитами
• Выявление финансовых преступлений и отчетность
• Исследование сущностей
• Обмен информацией между финансовыми учреждениями
• Агентские рабочие процессы под контролем человека

Оценка бенчмарка

Консорциумная модель Verafin имеет стратегическое значение, поскольку преступник может распределять свою деятельность по многим учреждениям. Однако публичные материалы не предоставляют стандартизированных показателей точности, полноты, чарджбэков или затрат времени аналитиков для новых агентских работников.

Некоторые возможности были анонсированы для поэтапного развертывания во второй половине 2026 года. Покупателям следует точно уточнить, какие работники, типологии, элементы управления автоматическим принятием решений и варианты развертывания будут общедоступны на дату заключения контракта. (nasdaq.com)

Лучший выбор для: Североамериканских банков и кредитных союзов, ищущих специализированную платформу с консорциумной аналитикой и постепенно расширяющейся агентской автоматизацией.

Основной риск: Новейшие агентские функции менее зрелы, чем базовая платформа Verafin для борьбы с мошенничеством и отмыванием денег.

10. FICO Platform: Лучший выбор для управляемого корпоративного принятия решений

FICO лучше всего рассматривать как корпоративную платформу для принятия решений и управления моделями с широкими возможностями по борьбе с мошенничеством, а не как единого автономного агента-расследователя.

Портфель FICO по борьбе с мошенничеством включает оценку транзакций в реальном времени, консорциумные модели мошенничества, адаптивную поведенческую аналитику, управление стратегиями, разработку моделей, оптимизацию и объяснимость. FICO также подчеркнул временные объяснения, которые определяют релевантные прошлые транзакции, влияющие на решение. (investors.fico.com)

Его инвестиционные материалы 2026 года описывают FICO Platform как «агентскую по замыслу», с объяснимым и поддающимся аудиту искусственным интеллектом, консорциумными моделями мошенничества, обученными на миллиардах транзакций, а также инструментами для создания, тестирования, оптимизации и мониторинга принятия решений. (investors.fico.com)

В чем FICO преуспевает

• Крупные финансовые учреждения с внутренними командами по анализу данных
• Разработка управляемых стратегий принятия решений
• Управление моделями и жизненным циклом
• Оценка мошенничества в реальном времени
• Консорциумная аналитика по борьбе с мошенничеством
• Оркестровка принятия решений на уровне предприятия
• Развертывание объяснимых моделей
• Интеграция с существующими системами принятия решений

FICO сообщает, что его специализированные модели для финансовых услуг могут дать более чем 35-процентное увеличение в некоторых моделях аналитики транзакций, включая обнаружение мошенничества. Velera сообщила о 85-процентном сокращении времени оповещения о мошенничестве и 76-процентном увеличении эффективности самообслуживания держателей карт после внедрения возможностей FICO Platform. (investors.fico.com)

Лучший выбор для: Крупных учреждений, которые хотят иметь полный контроль над данными, моделями, стратегиями, тестированием и управлением.

Основной риск: Организациям может потребоваться значительная внутренняя экспертиза для получения полной отдачи от платформы.

Сравнение графового рассуждения с правилами и машинным обучением

Системы, основанные только на правилах

Преимущества:

• Высоко объяснимы
• Быстрые и детерминированные
• Легко сопоставляются с политикой
• Полезны для известных типологий
• Просты в тестировании и воспроизведении

Недостатки:

• Генерируют большие объемы ложных срабатываний
• Могут быть обойдены небольшими изменениями поведения
• Требуют постоянного поддержания правил
• Часто не могут выявить новые мошеннические схемы
• Испытывают трудности с межбанковскими отношениями

Правила должны оставаться частью архитектуры, поскольку они обеспечивают ограничения и четкий контроль. Они не должны быть всей стратегией обнаружения.

Гибридные системы правил и машинного обучения

Гибридные системы обычно обеспечивают лучший операционный компромисс. Правила обрабатывают жесткие ограничения и известные риски, в то время как машинное обучение обрабатывает:

• Поведенческие отклонения
• Специфичные для клиента паттерны
• Аномалии в группах аналогов
• Ранжирование рисков
• Снижение ложных срабатываний
• Динамическая приоритизация
• Новое поведение

Featurespace, Hawk, Feedzai, Unit21, ComplyAdvantage, FICO и ряд других платформ используют вариации этого гибридного паттерна. Hawk явно описывает двухэтапный процесс, в котором правила генерируют исключения, а машинное обучение оценивает, являются ли эти исключения истинными или ложными срабатываниями. (insights.hawk.ai)

Графовое рассуждение

Графовые методы наиболее сильны, когда доказательства распределены по сущностям и времени. Они могут идентифицировать:

• Общие устройства для разных счетов
• Повторно используемые телефонные номера
• Общие бенефициары
• Движение денежных средств по схемам "веерного ввода" и "веерного вывода"
• Быстрое транзитное поведение
• Скоординированная деятельность продавцов
• Кластеры синтетических личностей
• Сети денежных мулов
• Сговор

Графовая модель может улучшить полноту обнаружения организованного мошенничества, одновременно уменьшая необходимость расследования изолированных оповещений. Однако графовые системы вводят дополнительные требования:

• Высококачественное разрешение сущностей
• Частые обновления графов
• Контроль конфиденциальности связей
• Управление задержкой многоступенчатого поиска
• Защита от неправильных связей
• Четкие объяснения пути, который привел к сигналу о риске

Исследование мошенничества с кредитными картами на основе графов 2024 года сообщило о точности 0,82 и полноте 0,92, но эти цифры были получены из конкретного исследовательского набора данных и экспериментальной установки. Их не следует напрямую сравнивать с тематическими исследованиями поставщиков или производственными показателями чарджбэков. (sciencedirect.com)

Агентское расследование

Агенты наиболее ценны после создания сигнала. Они могут сократить время, затрачиваемое на сбор доказательств и подготовку описаний, но их не следует рассматривать как замену откалиброванной модели мошенничества.

Рекомендуемая архитектура:

1. Синхронные правила и машинное обучение для принятия решения по транзакции
2. Быстрые графовые функции для немедленной оценки риска связей
3. Асинхронное исследование графов для более глубокого расследования
4. Агент-расследователь для сбора доказательств и подготовки дела
5. Контролируемое политикой устранение
6. Одобрение человеком необратимых или высокоценных действий

Объяснимость для проверок регуляторов

«Объяснимый искусственный интеллект» может означать несколько разных вещей. Покупателям следует различать:

1. Коды причин
   Примеры включают необычную сумму, новое устройство, высокую скорость или рискованного контрагента.

2. Атрибуция признаков
   Система показывает, какие переменные внесли наибольший вклад в оценку.

3. Рассуждение, связанное с доказательствами
   Система связывает решение с фактическими транзакциями, устройствами, счетами и внешними записями.

4. Рассуждение по политике
   Система объясняет, какое правило, политику, порог или настройку толерантности к риску было применено.

5. Рассуждения агента и история инструментов
   Аудиторский след фиксирует, к каким источникам обращался агент, что он извлек, что он заключил и какое действие рекомендовал.

Для регулятора одного лишь резюме на естественном языке недостаточно. Пакет аудита должен включать:

• Данные о транзакциях и клиентах, использованные при принятии решения
• Версия модели
• Версия правила и политики
• Значения признаков
• Оценка и порог
• Коды причин
• Использованные графовые связи
• Внешние источники данных
• Подсказки агента или инструкции по задаче
• Извлеченные доказательства
• Вызовы инструментов
• Переопределения человеком
• Окончательное действие
• Временная метка
• Происхождение данных
• Изменения, внесенные после первоначального решения
• Воспроизводимая процедура повторного воспроизведения

Пересмотренное руководство Федеральной резервной системы по модельным рискам 2026 года подчеркивает анализ результатов, постоянный мониторинг, документацию и валидацию продуктов поставщиков. В нем также говорится, что учреждения остаются ответственными за понимание моделей поставщиков, их ограничений, данных для разработки и производительности. Руководство исключает генеративные и агентские модели из своего формального охвата, но заявляет, что организации все равно должны устанавливать соответствующее управление и контроль для инструментов, не охваченных руководством. (federalreserve.gov)

Совет по стандартам безопасности индустрии платежных карт аналогично рекомендует регистрировать и отслеживать действия искусственного интеллекта, определять ответственного человека и сохранять достаточную информацию для аудита запросов и процессов рассуждений, где это возможно. (blog.pcisecuritystandards.org)

Полезный принцип:

Правдоподобное объяснение не является доказательством правильности решения.

Исследование, опубликованное в 2026 году, утверждает, что качество обоснования агента-расследователя должно оцениваться отдельно от качества его базового решения по мошенничеству. (arxiv.org)

Измерение повышения выявления мошенничества по сравнению с чарджбэками

Повышение выявления мошенничества и сокращение чарджбэков взаимосвязаны, но различаются.

Повышение выявления мошенничества

Полезная мера:

Повышение выявления мошенничества = выявленное мошенничество после внедрения минус выявленное мошенничество до внедрения, деленное на выявленное мошенничество до внедрения

Это следует рассчитывать отдельно для:

• Количество транзакций
• Стоимость мошенничества
• Подтвержденное несанкционированное мошенничество
• Мошенничество с авторизованными push-платежами
• Захват учетной записи
• Мошенничество без предъявления карты
• Мошенничество от первого лица
• Синтетическая личность
• Мошенничество продавцов
• Деятельность денежных мулов

Частота чарджбэков

Частота чарджбэков должна рассчитываться как:

Количество чарджбэков, деленное на количество урегулированных транзакций

Также измерьте:

• Стоимость чарджбэка
• Базисные пункты чарджбэка
• Уровень успеха повторного представления
• Частота оспаривания клиентами
• Чарджбэки, связанные с мошенничеством, против споров, связанных с услугами
• Время от транзакции до чарджбэка
• Стоимость возмещения чарджбэка
• Жалобы клиентов
• Ложные отказы
• Уровень одобрения

Платформа может сократить количество чарджбэков, отклоняя больше транзакций, но это может нанести ущерб выручке. И наоборот, платформа может увеличить количество одобрений, снижая стоимость мошенничества за счет лучшего таргетинга.

Следовательно, правильный бизнес-показатель — это не «самая низкая частота чарджбэков». Это:

Максимальная предотвращенная и возмещенная стоимость мошенничества при приемлемых затратах на ложные отказы, одобрения, трения с клиентами и операционные расходы.

Задержка при пиковых нагрузках

Заявления поставщиков о задержке не поддаются прямому сравнению. Заявление может относиться к:

• Средняя задержка
• Медианная задержка
• Задержка 95-го перцентиля
• Задержка 99-го перцентиля
• Задержка только модели
• Сквозная задержка
• Производительность теплого кэша
• Один платежный канал
• Тестовая среда, а не производственная

Публичные примеры включают заявление Unit21 о принятии решений менее чем за 250 миллисекунд, среднее время принятия решения по мошенничеству с транзакциями Hawk в 150 миллисекунд, заявления ComplyAdvantage о времени отклика менее секунды и более 100 транзакциях в секунду, а также маркетинговый язык NICE Actimize на уровне миллисекунд. (unit21.ai)

Серьезный тест производительности должен измерять:

• Медианная задержка
• Задержка 95-го перцентиля
• Задержка 99-го перцентиля
• Максимальная устойчивая пропускная способность
• Пиковая кратковременная пропускная способность
• Задержка холодного старта
• Поведение при тайм-ауте зависимостей
• Рост очереди
• Поведение при отказе в открытом и закрытом состоянии
• Задержка по платежному каналу
• Задержка с обогащением графа
• Задержка с запросами консорциума
• Задержка во время обновлений модели
• Производительность регионального отказа

Агент-расследователь обычно должен находиться вне критического пути платежа. Платеж не должен ждать поиска информации из открытых источников, обхода большого графа или генерации описания. Решение по транзакции должно быть принято быстро, в то время как более глубокое расследование должно осуществляться асинхронно.

Конфиденциальность и безопасность данных

Системы борьбы с мошенничеством обрабатывают высокочувствительную информацию, включая финансовые транзакции, отношения счетов, данные устройств, записи личности и поведенческие паттерны.

В США Закон Грэмма-Лича-Блайли требует от охваченных финансовых учреждений объяснять практику обмена информацией и защищать конфиденциальную информацию клиентов. Правило FTC по защите данных также налагает обязательства на охваченные учреждения и требует внимания к поставщикам услуг, обрабатывающим данные клиентов. (ftc.gov)

Общий регламент по защите данных (GDPR) налагает дополнительные ограничения на решения, основанные исключительно на автоматизированной обработке, когда эти решения имеют юридические или аналогичные значительные последствия. Он также требует соответствующих гарантий, включая право на вмешательство человека в соответствующих обстоятельствах. (eur-lex.europa.eu)

Стандарт безопасности данных индустрии платежных карт (PCI DSS) применяется к организациям, которые хранят, обрабатывают или передают данные держателей карт. Совет по стандартам безопасности индустрии платежных карт рекомендует токенизацию, сегментацию, шифрование, контроль доступа, логирование и ответственный человеческий надзор для систем искусственного интеллекта, используемых в платежных средах. (pcisecuritystandards.org)

Вопросы конфиденциальности, которые следует задать каждому поставщику

1. Используются ли данные клиента для обучения общей модели?
2. Может ли клиент отказаться от обучения модели?
3. Удаляется или токенизируется ли персонально идентифицируемая информация?
4. Заменяются ли номера платежных карт токенами?
5. Где хранятся и обрабатываются данные?
6. Могут ли данные оставаться в пределах выбранного географического региона?
7. Анонимизируются ли сигналы консорциума?
8. Передаются ли необработанные записи клиентов другим учреждениям?
9. Каков срок хранения данных?
10. Могут ли данные быть удалены по окончании действия контракта?
11. Какие субпроцессоры получают данные?
12. Сохраняются ли запросы больших языковых моделей?
13. Может ли агент-расследователь получать доступ к внешним веб-сайтам?
14. Ограничены ли инструменты агента ролью и политикой?
15. Шифруются ли записи дел в состоянии покоя и при передаче?
16. Может ли учреждение аудировать каждый доступ к данным?
17. Доступны ли развертывания в частном облаке или локально?

Feedzai описывает федеративный подход, при котором необработанные данные клиентов остаются локальными, в то время как обмениваются анонимизированные сигналы. ComplyAdvantage описывает географическую сегрегацию и корпоративные меры безопасности. Hawk рекламирует варианты развертывания по модели «программное обеспечение как услуга», в частном облаке и локально. Руководство для покупателей Unit21 подчеркивает изоляцию данных, шифрование, региональный хостинг, ограничения на обучение моделей, контроль обратной связи и обеспечение качества. (feedzai.com)

Это полезные проектные решения, но ни одно из них автоматически не доказывает соответствие законодательству. Учреждение остается ответственным за свои соглашения об обработке данных, уведомления о конфиденциальности, оценку рисков и надзор за сторонними поставщиками.

Мониторинг дрейфа модели

Мошенничество — это состязательная среда. Как только контроль становится эффективным, преступники меняют устройства, суммы, продавцов, бенефициаров, время платежей, идентификационную информацию или пути транзакций.

Программа мониторинга модели должна отслеживать:

Дрейф данных

• Изменения в суммах транзакций
• Новые категории продавцов
• Новые страны или регионы
• Изменения устройств и браузеров
• Отсутствующие или задержанные поля
• Новые платежные каналы
• Изменения в составе клиентов
• Изменения в составе контрагентов

Дрейф предсказаний

• Распределение оценок
• Объем оповещений
• Объем отклонений
• Объем проверок
• Частота автоматического решения
• Стабильность пороговых значений
• Калибровка

Дрейф результатов

• Точность после созревания меток
• Полнота
• Объем выявленного мошенничества
• Частота чарджбэков
• Ложные отказы
• Жалобы клиентов
• Результаты споров
• Переопределения аналитиками
• Преобразование в отчеты о подозрительной деятельности

Операционный дрейф

• Время расследования
• Возраст очереди
• Количество касаний аналитика на случай
• Сбои при извлечении доказательств
• Ошибки инструментов агента
• Галлюцинации или необоснованные утверждения
• Изменения правил
• Изменения версий моделей
• Сбои источников данных

Руководство Федеральной резервной системы 2026 года рекомендует постоянный мониторинг и анализ результатов для определения того, остаются ли модели точными, пригодными для использования и надежными по мере изменения продуктов, клиентов, рисков и рыночных условий. (federalreserve.gov)

Featurespace делает акцент на адаптивных поведенческих моделях, предназначенных для сокращения ручной переобучения. Feedzai опубликовала исследование по обнаружению потокового дрейфа до того, как станут доступны метки. Unit21 предоставляет режимы теневого тестирования, валидации и песочницы для тестирования новой логики обнаружения мошенничества. ComplyAdvantage предоставляет метрики производительности правил, такие как частота срабатываний и тенденции ложных срабатываний. Hawk продвигает управление жизненным циклом моделей и автоматическое управление моделями. (staging.www.featurespace.com)

Особенно важным средством контроля является мониторинг с отложенными метками. Чарджбэки и подтвержденные метки мошенничества могут поступать через недели или месяцы после первоначального решения. Организациям не следует ждать окончательных меток мошенничества, прежде чем отслеживать внезапные изменения в распределении входных данных, паттернах оповещений или поведении клиентов.

Рекомендуемая оценочная таблица для покупателя

Практическая оценка может присваивать веса следующим образом:

Требуйте от каждого поставщика проведения одной и той же оценки:

1. Предоставьте исторический образец транзакций с подтвержденными результатами.
2. Используйте хронологическое, а не случайное разделение для тестирования.
3. Выполните скрытое воспроизведение в производственной среде.
4. Сравните с текущими правилами и моделями.
5. Измерьте точность при фактической частоте проверки.
6. Измерьте полноту при фактической частоте отклонения.
7. Сообщите объем выявленного мошенничества.
8. Сообщите о влиянии чарджбэков и ложных отказов.
9. Измерьте медианную задержку, задержку 95-го и 99-го перцентилей.
10. Измерьте время аналитика в минутах на оповещение и на случай.
11. Протестируйте пиковый трафик и отказы зависимостей.
12. Проанализируйте объяснения с аналитиками по мошенничеству и сотрудниками по комплаенсу.
13. Проверьте дрейф модели по странам, продуктам, продавцам и платежным каналам.
14. Проведите аудит рекомендаций агента на основе исходных доказательств.
15. Сохраняйте действия с высокой стоимостью в режиме ручной проверки во время пилотного проекта.

Рыночные пробелы и лучшее решение для создания

Самый большой пробел на рынке — это не еще одна оценка мошенничества. Это стандартизированная, основанная на доказательствах платформа для операций по борьбе с мошенничеством, которая делает заявления поставщиков измеримыми, а регуляторные проверки — воспроизводимыми.

Более сильное решение будет включать следующее.

1. Двухскоростная архитектура

• Синхронное принятие решений по транзакциям менее чем за 100 миллисекунд
• Асинхронное расширение графов и расследование
• Отдельные агентские среды для исследований и устранения
• Отсутствие зависимости от больших языковых моделей в пути авторизации платежа

2. Универсальный инструмент оценки

Платформа должна автоматически рассчитывать:

• Точность
• Полнота
• Точность при фиксированных уровнях проверки
• Полнота при фиксированных уровнях отклонения
• Объем выявленного мошенничества
• Частота чарджбэков
• Частота ложных отказов
• Уровень одобрения
• Экономия времени аналитика
• Время разрешения дела
• Задержка 95-го и 99-го перцентилей
• Дрейф по сегментам и типологиям

Это позволило бы учреждениям сравнивать поставщиков, используя одни и те же определения.

3. Пакеты воспроизведения для регуляторов

Для каждого существенного решения система должна сохранять:

• Входные данные
• Версия модели
• Версия правила
• Версия графа
• Оценка
• Порог
• Коды причин
• Доказательства
• Действия агента
• Переопределения человеком
• Окончательное решение
• Воспроизводимые инструкции по повторному воспроизведению

4. Сетевая аналитика, сохраняющая конфиденциальность

Будущий консорциум должен поддерживать:

• Федеративное обучение
• Безопасные многосторонние вычисления
• Токенизированные идентификаторы
• Дифференциальная конфиденциальность, где это уместно
• Региональная обработка
• Хранение данных, контролируемое учреждением
• Прозрачное управление консорциумом

5. Безопасная оркестровка устранения

Агенты должны рекомендовать и выполнять действия в соответствии с настраиваемыми уровнями риска:

• Ложные срабатывания с низким риском могут быть автоматически закрыты
• Случаи среднего риска могут требовать одобрения аналитика
• Платежи с высокой стоимостью могут требовать двойного одобрения
• Закрытие счетов может требовать решения человека
• Изменения правил должны требовать тестирования и контроля версий
• Регуляторные отчеты должны требовать ответственного утверждения человеком

6. Оценка качества доказательств

Система должна оценивать не только решение по мошенничеству, но и качество доказательств, подтверждающих его:

• Все ли утверждения связаны с исходными записями?
• Использовал ли агент устаревшую информацию?
• Упустил ли он противоречивые доказательства?
• Перепутал ли он связанную сущность с объектом?
• Рекомендовал ли он действие, выходящее за рамки политики?
• Может ли другой следователь воспроизвести заключение?

Это помогло бы предотвратить отшлифованные, но неподтвержденные доказательствами описания расследований.

Заключение

Лучшие агенты по обнаружению мошенничества и мониторингу транзакций — это не просто чат-боты, прикрепленные к очередям оповещений. Это многоуровневые системы управления рисками, которые сочетают правила реального времени, машинное обучение, поведенческий анализ, графовую аналитику, автоматизацию расследований, объяснимость и контролируемое устранение.

Для большинства учреждений самой надежной целевой архитектурой является:

1. Правила для четкого контроля политик
2. Машинное обучение для оценки поведенческих рисков
3. Графовый анализ для выявления связанных случаев мошенничества и финансовых преступлений
4. Агенты-расследователи для сбора доказательств
5. Одобрение человеком для существенных действий
6. Постоянный мониторинг дрейфа, задержки, конфиденциальности и качества результатов

Unit21 и Sardine особенно привлекательны для агентских операций по борьбе с мошенничеством и цифровых финансовых услуг. Feedzai и Featurespace имеют убедительные доказательства в крупномасштабном обнаружении мошенничества с платежами. ComplyAdvantage и NICE Actimize являются сильным выбором для мониторинга транзакций, расследований и регуляторной отчетности. Hawk выделяется объяснимым принятием решений в реальном времени. Quantexa особенно сильна в контекстных расследованиях на основе графов. Nasdaq Verafin хорошо позиционируется для операций по борьбе с финансовыми преступлениями в Северной Америке на основе консорциумной аналитики, в то время как FICO является сильным вариантом для учреждений, которые хотят глубокого контроля над принятием решений и управлением моделями.

Решающим критерием покупки не должна быть самая впечатляющая демонстрация искусственного интеллекта. Это должна быть способность платформы продемонстрировать на собственных данных учреждения и в производственном масштабе:

• Более высокая полнота обнаружения мошенничества
• Лучшая точность
• Больший объем выявленного мошенничества
• Меньше чарджбэков без чрезмерных отклонений
• Меньше времени аналитиков
• Надежная задержка при пиковой нагрузке
• Обоснованные объяснения
• Сильные средства контроля конфиденциальности
• Измеримая устойчивость к дрейфу модели