10 найкращих агентів для виявлення шахрайства та моніторингу транзакцій

10 найкращих агентів для виявлення шахрайства та моніторингу транзакцій

Оновлено 17 серпня 2026 року

Запобігання шахрайству переходить від ізольованих оцінок ризиків до наскрізних операцій з управління ризиками. Очікується, що сучасні системи оцінюватимуть транзакцію в реальному часі, пов'язуватимуть її з пов'язаними рахунками та пристроями, досліджуватимуть навколишню діяльність, пояснюватимуть рішення та рекомендуватимуть наступні дії.

Цей робочий процес важливий, оскільки модель транзакції та агент для розслідувань вирішують різні проблеми. Правила та моделі машинного навчання виявляють та оцінюють ризики. Агенти збирають докази, пов'язують події, узагальнюють справи, рекомендують дії, а іноді автоматизують вирішення ситуацій з низьким ризиком. Unit21 прямо описує цю відмінність: агент із боротьби з шахрайством повинен виконувати завдання розслідування, а не просто відображати оцінку чи узагальнювати інформацію, вже видиму для аналітика. (unit21.ai)

Тому найпотужніші платформи поєднують:

• Правила та машинне навчання в реальному часі
• Поведінковий та пристроєвий інтелект
• Графовий аналіз сутностей та транзакцій
• Розслідування справ та збір доказів
• Пояснювані рішення та незмінні аудиторські сліди
• Рекомендації щодо усунення проблем
• Моніторинг дрейфу моделі та результатів

Ця стаття порівнює десять провідних платформ за цими вимогами, приділяючи особливу увагу точності, повноті, збільшенню виявлення шахрайства, результатам чарджбеків, продуктивності аналітиків, конфіденційності, затримці, пояснюваності та дрейфу моделі.

Підсумковий висновок керівництва

Не існує універсально найкращого агента для виявлення шахрайства. Правильний вибір залежить від того, чи є основною проблемою шахрайство з картками, миттєві платежі, захоплення облікового запису, шахрайство з авторизованими прискореними платежами, відмивання грошей, перевірка на відповідність санкціям або спроможність розслідування.

Найважливіший висновок полягає в тому, що зрілість агента та якість виявлення є різними вимірами. Платформа може мати вражаючого помічника для розслідувань, але слабку повноту на рівні транзакцій. Інша може мати відмінну оцінку шахрайства, але обмежену автономну роботу над справами. Покупці повинні оцінювати два рівні окремо.

Як працюють агенти виявлення шахрайства

Практична архітектура моніторингу шахрайства та транзакцій складається з чотирьох рівнів.

1. Прийняття рішень у реальному часі

Цей рівень оцінює платіж до його розрахунку. Він зазвичай поєднує:

• Детерміновані правила
• Перевірки швидкості
• Поведінкові профілі
• Сигнали пристрою та сесії
• Ризик клієнта та контрагента
• Історичні моделі транзакцій
• Мережевий або колективний інтелект
• Машинне навчання з учителем та без учителя

Результатом зазвичай є рішення про схвалення, відхилення, утримання або перегляд, що супроводжується оцінкою ризику та кодами причин.

2. Аналіз графів та взаємозв'язків

Системи, засновані на графах, пов'язують:

• Клієнтів
• Рахунки
• Картки
• Пристрої
• Інтернет-адреси
• Телефонні номери
• Електронні адреси
• Продавців
• Бенефіціарів
• Контрагентів
• Транзакції

Це особливо корисно для шахрайських мереж, мереж «грошових мулів», синтетичних ідентичностей, змови, захоплення облікових записів та переміщення грошей через кілька рахунків.

Однак, графовий аналіз не є автоматично «графовим обґрунтуванням». Візуалізація, що показує пов'язані сутності, відрізняється від моделі, яка оцінює багатоступінчасті взаємозв'язки, послідовності транзакцій та поведінку мережі. Найкращі системи створюють шляхи доказів, такі як:

«Цей бенефіціар отримав кошти із семи нещодавно відкритих рахунків, усі з яких були пов'язані з двома пристроями та одним телефонним номером, що раніше були пов'язані з підтвердженим шахрайством».

3. Агенти для розслідувань

Агент для розслідувань може:

• Отримувати історію транзакцій
• Шукати пов'язані сутності
• Переглядати попередні сповіщення та рішення
• Аналізувати інформацію про пристрій та поведінку
• Запитувати зовнішній інтелект
• Ідентифікувати пов'язані справи
• Створювати хронологію
• Узагальнювати докази
• Рекомендувати рішення
• Складати внутрішній опис справи
• Готувати звіт про підозрілу діяльність

Агент повинен показувати докази, що підтверджують кожен висновок. Зв'язний опис без вихідних записів недостатній для регулятора або досвідченого слідчого.

4. Усунення проблем та зворотний зв'язок

Останній рівень рекомендує або виконує дії, такі як:

• Схвалити транзакцію
• Запросити посилену автентифікацію клієнта
• Застосувати тимчасову затримку
• Відхилити транзакцію
• Призупинити обліковий запис
• Заблокувати пристрій або бенефіціара
• Відкликати або повернути кошти
• Зв'язатися з клієнтом
• Передати старшому слідчому
• Подати звіт про підозрілу діяльність
• Розпочати розширену належну перевірку
• Створити або змінити правило
• Додати пов'язані сутності до списку спостереження
• Ретельніше моніторити клієнта

Дії з високим ризиком повинні залишатися предметом політики контролю та людського схвалення. Агент не повинен мати необмежених повноважень змінювати правила, остаточно закривати рахунки або подавати регуляторні звіти без належного управління.

Важливі обмеження публічних еталонних показників

Постачальники послуг із боротьби з шахрайством часто публікують вражаючі відсотки, але ці цифри рідко прямо порівнянні. Публічні тематичні дослідження можуть повідомляти:

• Відсоткова зміна від нерозкритої базової лінії
• Виявлена сума шахрайства, а не повнота на рівні транзакцій
• Зменшення хибнопозитивних спрацьовувань без даних про хибнонегативні
• Результати з однієї платіжної системи
• Короткий період тестування
• Специфічну для клієнта реалізацію
• Вибрану типологію шахрайства
• Модель, що працює разом з іншими засобами контролю

Більшість постачальників не публікують стандартизовану матрицю помилок, що містить кількість транзакцій, поширеність шахрайства, точність, повноту, рівень хибнопозитивних спрацьовувань, рівень хибних відхилень, результати чарджбеків та довірчі інтервали.

Це означає, що наведені нижче рейтинги ґрунтуються на відповідності можливостям та публічних доказах, а не на твердженні, що один постачальник остаточно досяг найвищої реальної точності або повноти.

Точність та повнота

Для детектора шахрайства:

• Точність запитує: Скільки транзакцій, позначених як шахрайство, були насправді шахрайськими?
• Повнота запитує: Скільки всіх шахрайських транзакцій система виявила?
• Рівень хибнопозитивних спрацьовувань вимірює законну діяльність, помилково позначену або заблоковану.
• Рівень хибнонегативних спрацьовувань вимірює шахрайство, яке пройшло непоміченим.

Оскільки шахрайство зазвичай рідкісне порівняно з законною діяльністю, точність може вводити в оману. Недавнє дослідження з використанням публічного європейського набору даних про кредитні картки працювало з 284 807 транзакціями та поширеністю шахрайства лише 0,173 відсотка, одночасно застосовуючи хронологічні розділи даних для моделювання часового дрейфу. (pubmed.ncbi.nlm.nih.gov)

Модель може здаватися високоточною, але пропускати комерційно значущу кількість шахрайства. Покупці повинні віддавати пріоритет:

1. Точності за фактичної частоти перевірок
2. Повноті за фактичної частоти відхилень або втручань
3. Виявленню суми шахрайства
4. Хибним відхиленням
5. Частоті чарджбеків та спорів
6. Частоті схвалень та конверсії
7. Робочому навантаженню аналітика
8. Продуктивності після дозрівання міток

Огляд публічних доказів

Наведені нижче дані є результатами, наданими постачальниками або отриманими в тематичних дослідженнях клієнтів, якщо не зазначено інше. «Публічно не розголошується» означає, що постачальник не публікує порівнянних результатів точності та повноти для повної платформи.

10 найкращих агентів для виявлення шахрайства та моніторингу транзакцій

1. Unit21: Найкраща універсальна агентна платформа для шахрайства та фінансових злочинів

Unit21 є одним з найяскравіших прикладів платформи, розробленої навколо повного робочого процесу від виявлення до розслідування. Її система поєднує правила, поведінкові сигнали, пристроєвий інтелект, графовий аналіз, інформацію від шахрайських консорціумів, управління справами та агентів штучного інтелекту.

Її Агент виявлення аналізує транзакції та сповіщення в реальному часі. Її Агент розслідувань збирає докази, ідентифікує пов'язані сутності, узагальнює ризики, рекомендує дії та створює описи справ. Платформа також підтримує робочі процеси від сповіщення до справи до звіту про підозрілу діяльність з документованими етапами розслідування. (unit21.ai)

У чому Unit21 показує хороші результати

• Добре підходить для фінтехів, платіжних компаній та фінансових установ
• Заяви про прийняття рішень у реальному часі менш ніж за 250 мілісекунд
• Правила, пояснюване машинне навчання, графові правила та агенти для розслідувань в одному середовищі
• Тіньове тестування, історична валідація та розгортання в пісочниці
• Моніторинг між каналами для автоматизованих клірингових палат, банківських переказів, карток, миттєвих платежів, криптовалют та переказів з рахунку на рахунок
• Створені агентом доказові сліди, а не лише наративні підсумки

Unit21 також наголошує, що команди з ризиків можуть бачити, які змінні вплинули на оцінку машинного навчання, та можуть використовувати графові правила для виявлення прихованих взаємозв'язків. (unit21.ai)

Оцінка еталонних показників

Публічні матеріали повідомляють про 50-відсоткове зменшення хибнопозитивних спрацьовувань та 70-відсоткове зменшення збитків від шахрайства в одному прикладі продукту для клієнтів, але компанія не публікує стандартизованих еталонних показників точності, повноти або чарджбеків для всіх клієнтів. (unit21.ai)

Найкращий вибір для: Зростаючої фінансово-технологічної компанії або платіжної установи, яка бажає мати одну платформу для оцінки в реальному часі, розслідувань, графового аналізу та робочих процесів усунення проблем.

Головний ризик: Покупці повинні перевірити, чи дозволено агенту для розслідувань автоматично закривати сповіщення, лише рекомендувати рішення або виконувати різні дії залежно від рівня ризику.

2. Sardine: Найкраще для пристроєвого інтелекту, графів шахрайства та цифрової комерції

Sardine поєднує пристроєвий інтелект, поведінкову аналітику, машинне навчання, правила, мережевий інтелект, графовий аналіз та агентні операції з боротьби з шахрайством. Вона особливо сильна там, де шахрайство стосується шляху клієнта до транзакції, включаючи онбординг, вхід, захоплення облікового запису, ботів, синтетичну ідентичність, платіжне шахрайство та шахрайську поведінку.

Її графова можливість пов'язує користувачів, пристрої, інтернет-адреси, телефонні номери, електронні адреси та транзакції. Її агенти включають моніторинг транзакцій, графовий аналіз, допомогу в правилах, аналіз даних, дослідження розвідувальних даних з відкритих джерел, перевірку на відповідність санкціям та генерацію звітів про підозрілу діяльність. (sardine.ai)

У чому Sardine показує хороші результати

• Пристроєвий та поведінковий інтелект
• Захоплення облікового запису та виявлення ботів
• Аналіз ідентичності та транзакцій через різні канали
• Шахрайство серед торговців та в цифровій комерції
• Графові розслідування шахрайських мереж
• Правила, створені на основі описів природною мовою
• Автоматизовані робочі процеси вирішення спорів та чарджбеків
• Ризик банківських платежів до подачі та розрахунку

Sardine повідомляє про кілька клієнтських результатів, включаючи 95-відсоткову точність в одному сценарії використання рішення при онбордингу, 70-відсоткове зменшення збитків від чарджбеків, пов'язаних з картками, в одному банківському розгортанні та 0,0003-відсоткову частоту чарджбеків у тому ж випадку. Вона також повідомляє, що одне розгортання вирішило 55% сповіщень приблизно за 30 секунд. (sardine.ai)

Оцінка еталонних показників

Дані Sardine про чарджбеки комерційно корисні, але частота чарджбеків не те саме, що повнота. Нижча частота чарджбеків може бути результатом кращого виявлення, більш надійної автентифікації клієнтів, жорсткіших політик схвалення, іншого складу торговців або зміни відповідальності.

Найкращий вибір для: Цифрових банків, платіжних компаній, маркетплейсів, криптовалютних платформ та торговців, яким потрібен ідентифікаційний, пристроєвий, графовий та транзакційний інтелект разом.

Головний ризик: Вимагайте еталонних показників для кожної платіжної системи. Не слід вважати, що результати від онбордингу або шахрайства з картками застосовуються до платежів через автоматизовані клірингові палати, шахрайства з авторизованими прискореними платежами або моніторингу відмивання грошей.

3. Feedzai: Найкраще для великомасштабного прийняття рішень щодо шахрайства з платежами

Feedzai – це зріла корпоративна платформа для боротьби з шахрайством, орієнтована на високооб'ємні, миттєві платіжні рішення. Її платформа RiskOps поєднує контроль ідентичності, шахрайства та боротьби з відмиванням грошей, а її мережеві продукти додають колективний інтелект, не вимагаючи від установ обміну неопрацьованою персональною ідентифікаційною інформацією.

Feedzai IQ заявляє, що необроблені дані залишаються в середовищі установи, тоді як анонімізовані сигнали ризику та агреговані моделі обмінюються через мережу. Feedzai повідомляє про виявлення в чотири рази більше шахрайства, на 50% менше сповіщень, ніж підходи, засновані на правилах, та 27% покращення прийняття платежів для користувачів її продукту мережевого інтелекту. (feedzai.com)

У чому Feedzai показує хороші результати

• Великі банки, платіжні процесори та карткові мережі
• Оцінка платежів в реальному часі за всіма каналами
• Спільне використання правил та машинного навчання
• Мережевий інтелект та графова візуалізація
• Пояснювані коди причин
• Створення правил природною мовою
• Розслідування справ та робочий процес аналітика
• Консорціумний інтелект з урахуванням конфіденційності
• Розгортання моделей великого обсягу

Feedzai повідомляє, що один великий північноамериканський банк досяг 75-відсоткової середньої швидкості виявлення цінності при частоті втручань 0,1%, поряд із співвідношенням виявлення хибнопозитивних спрацьовувань 12 до 1. Він також повідомляє про 73-відсоткове зменшення хибнопозитивних спрацьовувань та 62% більше виявленого шахрайства, ніж попереднє рішення в інших корпоративних прикладах. (feedzai.com)

Можливість розслідування Feedzai Genome використовує візуальні взаємозв'язки між клієнтами, картками, транзакціями та іншими сутностями. Одне клієнтське тематичне дослідження повідомило, що розслідування, яке раніше займало півдня, могло бути завершено приблизно за десять хвилин, із збільшенням виявлення шахрайства на 15% за конкретними сповіщеннями. (feedzai.com)

Моніторинг дрейфу

Feedzai також опублікувала дослідження з автоматичного моніторингу моделей для потокових даних про шахрайство. Її підхід до моніторингу призначений для виявлення змін до того, як стануть доступними мітки, та для пояснення ймовірної причини дрейфу. Дослідження було оцінено на п'яти реальних наборах даних про шахрайство, що загалом перевищують 22 мільйони онлайн-транзакцій. (research.feedzai.com)

Найкращий вибір для: Великих банків, процесорів та платіжних мереж, яким потрібне зріле прийняття рішень у реальному часі, широке покриття платежів та складні операції з моделями.

Головний ризик: Feedzai має широкий портфель продуктів. Покупці повинні перевіряти точну комбінацію оцінки шахрайства, автоматизації розслідувань, мережевого інтелекту та функціональності боротьби з відмиванням грошей, яку вони купують.

4. ComplyAdvantage Mesh: Найкраще для автоматизованого усунення проблем моніторингу транзакцій

ComplyAdvantage Mesh найсильніша у сфері боротьби з відмиванням грошей, моніторингу транзакцій, перевірки клієнтів, перевірки на відповідність санкціям та ризикового інтелекту. Її нещодавня стратегія платформи передбачає розміщення агентних робочих процесів у єдиній системі управління справами.

Платформа заявляє, що її ланцюжок рішень може вирішити 65-85% хибнопозитивних сповіщень за допомогою комбінації оцінки ризику, агентів штучного інтелекту та аналітиків. Вона також повідомляє про понад 100 транзакцій на секунду з часом відгуку менше секунди та понад 3,5 мільярда щоденних повідомлень, оброблених по всій платформі. (complyadvantage.com)

У чому ComplyAdvantage показує хороші результати

• Правила та розширене машинне навчання працюють разом
• Моніторинг транзакцій та перевірка платежів
• Створення правил природною мовою
• Графи та кластерні патерни
• Автоматизоване усунення сповіщень
• Управління справами та аудиторські сліди
• Підготовка звітів про підозрілу діяльність
• Ризиковий інтелект на основі санкцій, політично значущих осіб, несприятливих медіа та поведінкових сигналів
• Регіональна сегрегація даних та корпоративні засоби безпеки

ComplyAdvantage повідомляє, що PayNearMe скоротила час аналітика, витрачений на моніторинг транзакцій, приблизно на 50 відсотків. Paytron повідомив про 20-відсоткове зменшення хибнопозитивних спрацьовувань та 75-відсоткове зменшення післятранзакційних запитів. (complyadvantage.com)

Її публічні матеріали платформи заявляють про до 82% зменшення хибнопозитивних спрацьовувань, але ці цифри слід розглядати як результати, надані постачальником, а не як незалежний еталонний показник. (complyadvantage.com)

Конфіденційність та управління

ComplyAdvantage заявляє, що Mesh підтримує шифрування під час зберігання та передачі, географічну сегрегацію даних, дозволи на основі ролей, єдиний вхід, Міжнародну організацію зі стандартизації 27001, контроль Service Organization Control 2 та обробку даних, що відповідає Загальному регламенту захисту даних. Це корисні засоби контролю, але покупці все ще повинні переглядати договір, суброцесори, терміни зберігання та умови навчання моделі. (complyadvantage.com)

Найкращий вибір для: Платіжних компаній та фінансових установ, чиїм основним вузьким місцем є обсяг сповіщень про боротьбу з відмиванням грошей та їхнє усунення, а не затримка авторизації картки.

Головний ризик: Перевіряйте повноту, специфічну для шахрайства, окремо від продуктивності вирішення сповіщень про боротьбу з відмиванням грошей.

5. NICE Actimize: Найкраще для розслідувань великих банків та регуляторної звітності

NICE Actimize – це корпоративна платформа для боротьби з фінансовими злочинами, що охоплює запобігання шахрайству, боротьбу з відмиванням грошей, санкції, звітність про підозрілу діяльність, управління справами та робочі процеси розслідувань.

Її платформа повідомляє, що вона моніторить понад п'ять мільярдів транзакцій на день та використовує виявлення шахрайства на рівні мілісекунд. Вона також пропонує мережеву аналітику, оцінку ризиків на основі типологій, інтегровані розслідування та генеративний штучний інтелект для узагальнення справ та звітів про підозрілу діяльність. (info.niceactimize.com)

У чому NICE Actimize показує хороші результати

• Великі та складні фінансові установи
• Багатоканальні програми боротьби з шахрайством та фінансовими злочинами
• Управління справами та оркестрація розслідувань
• Підготовка звітів про підозрілу діяльність
• Візуалізація мережі
• Управління та регуляторна звітність
• Робочі процеси розслідування за участю людини
• Інтеграція зі застарілими системами

NICE повідомляє, що її можливості розслідування можуть скоротити час розслідування до 50% та час підготовки звітів про підозрілу діяльність до 70%. Її Xceed FraudDesk CoPilot повідомляє про 80% швидший тріаж та перегляд сповіщень, 60% зменшення часу обробки від справи до звіту та 40% менше хибнопозитивних спрацьовувань. (resources.niceactimize.com)

Оцінка еталонних показників

NICE публікує сильні заяви щодо операційної діяльності та масштабу, але менше публічних даних про точність та повноту на рівні транзакцій. Покупець повинен запросити:

• Точність та повноту за типологією шахрайства
• Результати до та після накладання машинного навчання
• Повноту, зважену за вартістю
• Частоту хибних відхилень
• Час розслідування залежно від складності справи
• Точність автовирішення
• Продуктивність під час пікового навантаження

Найкращий вибір для: Великих банків, яким потрібне широке покриття фінансових злочинів, встановлене управління та глибокі можливості регуляторної звітності.

Головний ризик: Складність впровадження та можливість того, що найсучасніші можливості вимагають кількох модулів та значної інтеграційної роботи.

6. Hawk: Найкраще для пояснюваного моніторингу шахрайства та фінансових злочинів з низькою затримкою

Hawk зосереджується на пояснюваному штучному інтелекті, моніторингу транзакцій у реальному часі, запобіганні шахрайству, боротьбі з відмиванням грошей, перевірці на відповідність санкціям та конвергенції операцій з боротьби з шахрайством та фінансовими злочинами.

Її платформа для боротьби з шахрайством з транзакціями повідомляє про середній час прийняття рішення 150 мілісекунд та підтримує автоматизовані клірингові палати, картки, чеки, однорангові перекази, банківські перекази та інші платіжні системи. Hawk також пропагує гібридний підхід, при якому традиційні правила генерують винятки, а машинне навчання оцінює ймовірність того, що сповіщення є справжнім або хибнопозитивним. (hawk.ai)

У чому Hawk показує хороші результати

• Пояснюване машинне навчання
• Перехоплення платежів у реальному часі
• Правила та машинне навчання в одному робочому процесі
• Конвергенція шахрайства та боротьби з відмиванням грошей
• Самообслуговування з управління правилами
• Управління моделями
• Розгортання як програмне забезпечення як послуга, приватна хмара або локальна технологія
• Автоматизація розслідувань

Hawk повідомляє про в три-п'ять разів вищу точність, на 70% менше хибних сповіщень, на 30% більше виявлених шахрайських клієнтів та 62% зменшення часу на розслідування боротьби з відмиванням грошей у своїх опублікованих матеріалах про вплив. (hawk.ai)

Її агент для розслідувань 2026 року розширює можливості Hawk за межі виявлення та пріоритизації сповіщень до збору доказів та підтримки розслідування. (hawk.ai)

Оцінка еталонних показників

Позиціонування Hawk щодо пояснюваності та затримки є переконливим, але множник точності важко оцінити без оригінальної точності, популяції, тестового періоду та частоти втручань. Покупці повинні запитувати повну криву точність-повнота, а не лише заявлене відсоткове покращення.

Найкращий вибір для: Банків, платіжних компаній та фінансових установ, які надають пріоритет пояснюваності, швидкому розгортанню, перехопленню в реальному часі та гнучкому розгортанню.

Головний ризик: Переконайтеся, що агент для розслідувань має достатні можливості, специфічні для шахрайства, або переважно оптимізований для розслідувань боротьби з відмиванням грошей.

7. Featurespace: Найкраще для адаптивного виявлення поведінкового шахрайства

Featurespace відрізняється адаптивною поведінковою аналітикою та своїми автоматизованими глибокими поведінковими мережами. Замість того, щоб покладатися переважно на відомі погані індикатори, платформа моделює нормальну поведінку та ідентифікує значущі відхилення.

Цей підхід корисний, коли шахраї імітують законну діяльність або коли установа має обмежену кількість підтверджених міток шахрайства. Featurespace заявляє, що її моделі адаптуються до змінної поведінки та вимагають меншої ручної перепідготовки, тоді як рішення аналітиків повертаються до майбутнього моніторингу. (staging.www.featurespace.com)

У чому Featurespace показує хороші результати

• Шахрайство з картками
• Платежі з рахунку на рахунок
• Шахрайство з авторизованими прискореними платежами
• Шахрайство з заявками
• Синтетична ідентичність
• Адаптивне профілювання клієнтів
• Зменшення деградації моделі
• Високооб'ємна оцінка транзакцій у реальному часі

Публічні дані клієнтів є одними з найсильніших щодо виявлення шахрайства. Central 1 повідомив про 79% обсягу виявленого шахрайства, що описується як 51% збільшення порівняно з галузевим еталоном, та 67% виявленої суми шахрайства, зберігаючи співвідношення хибнопозитивних спрацьовувань 2 до 1. (featurespace.com)

NatWest повідомив про 135% покращення виявлених шахрайських схем та 75% зменшення хибнопозитивних спрацьовувань в одному пізнішому підсумковому тематичному дослідженні. Раніші матеріали повідомляли про 50% збільшення виявленого шахрайства та суми шахрайства протягом 24 годин після розгортання. (featurespace.com)

Featurespace також повідомляє, що TSYS оцінює один мільярд транзакцій на місяць і що 77,8% оскаржених транзакцій були шахрайськими в одному тематичному дослідженні 2025 року. (featurespace.com)

Оцінка еталонних показників

Featurespace має сильні публічні докази щодо виявлення суми шахрайства та адаптивного моделювання поведінки, але менше публічних доказів щодо автономних агентів для розслідувань та рекомендацій щодо усунення проблем.

Найкращий вибір для: Емітентів, банків, процесорів та постачальників платежів, де зміна поведінки клієнтів та деградація моделі є основними проблемами.

Головний ризик: Переконайтеся, що можливості управління справами та розслідування платформи відповідають тим самим стандартам, що й її оцінка транзакцій.

8. Quantexa: Найкраще для графового розрішення сутностей та контекстних розслідувань

Quantexa найсильніша, коли сигнал про шахрайство або фінансовий злочин розподілений між взаємозв'язками, а не видно в одній транзакції.

Її платформа створює пов'язаний вигляд клієнтів та контрагентів за допомогою розрішення сутностей та генерації графів. Контекстний моніторинг оцінює транзакції разом із взаємозв'язками, структурами власності, історичною діяльністю та зовнішньою інформацією. Q Assist підтримує робочі процеси розслідування та генерації звітів. (quantexa.com)

У чому Quantexa показує хороші результати

• Розрішення сутностей
• Аналіз контрагентів та бенефіціарної власності
• Мережі «грошових мулів» та відмивання грошей
• Складні розслідування
• Контекстний моніторинг боротьби з відмиванням грошей
• Графова пріоритизація ризиків
• Регуляторна звітність
• Уніфікація даних з фрагментованих систем

Quantexa повідомляє про до 75% зменшення хибнопозитивних спрацьовувань, 50% або більше зменшення зусиль на розслідування та до 40% ризиків, виявлених Quantexa, які були пропущені застарілими системами. Інша публічна сторінка про вплив повідомляє про до 80% зменшення часу на розслідування у великих масштабах. (quantexa.com)

Оцінка еталонних показників

Quantexa зазвичай не є першим вибором для прийняття рішення про авторизацію картки менш ніж за 100 мілісекунд. Її цінність часто більша в контекстному аналізі ризиків, виявленні мереж та прискореному розслідуванні.

Графові методи можуть бути дуже ефективними, але покупці повинні перевірити:

• Точність розрішення сутностей
• Хибні зв'язки між непов'язаними клієнтами
• Частоту оновлення графа
• Затримку багатоступінчастого пошуку
• Пояснюваність графових функцій
• Продуктивність, коли дані про взаємозв'язки неповні

Найкращий вибір для: Великих банків та регульованих установ, найскладніші справи яких включають приховані взаємозв'язки, контрагентів, мережі «мулів» або фрагментовані дані.

Головний ризик: Робота з інтеграцією та базою даних може бути значною, перш ніж графове обґрунтування дасть надійні результати.

9. Nasdaq Verafin: Найкраще для шахрайських операцій банківських спільнот, що працюють на основі консорціуму

Nasdaq Verafin обслуговує банки та кредитні спілки, надаючи засоби для виявлення шахрайства, боротьби з відмиванням грошей, перевірки на відповідність санкціям, управління клієнтами з високим ризиком, обміну інформацією та інструменти для розслідувань. Nasdaq повідомляє, що Verafin обслуговує понад 2750 північноамериканських фінансових установ та використовує консорціумну інформацію, засновану на даних тисяч установ. (ir.nasdaq.com)

У 2025 та 2026 роках Nasdaq представила свою Агентну робочу силу штучного інтелекту, що включає цифрових аналітиків із санкцій, аналітиків з розширеної належної перевірки, агентного аналітика з боротьби з відмиванням грошей та агентного аналітика з шахрайства. Оголошений аналітик з шахрайства спочатку зосереджується на незвичайній активності автоматизованих клірингових палат. Платформа підтримує режим рекомендацій, забезпечення якості, настроюваний людський перегляд та заплановане автоматичне вирішення хибнопозитивних сповіщень. (nasdaq.com)

У чому Verafin показує хороші результати

• Спільнотні та регіональні фінансові установи
• Консорціумний інтелект
• Шахрайство з автоматизованими кліринговими палатами, чеками, банківськими переказами та депозитами
• Виявлення та звітність про фінансові злочини
• Дослідження сутностей
• Обмін інформацією між фінансовими установами
• Агентні робочі процеси, контрольовані людиною

Оцінка еталонних показників

Консорціумна модель Verafin є стратегічно важливою, оскільки злочинець може розподіляти діяльність між багатьма установами. Однак, публічні матеріали не надають стандартизованих еталонних показників точності, повноти, чарджбеків або часу аналітика для нових агентних працівників.

Деякі можливості були оголошені для поетапного впровадження протягом другої половини 2026 року. Покупці повинні підтвердити, які саме працівники, типології, засоби контролю автоматичного вирішення та варіанти розгортання є загальнодоступними на дату укладення контракту. (nasdaq.com)

Найкращий вибір для: Північноамериканських банків та кредитних спілок, які шукають галузево-специфічну платформу з консорціумним інтелектом та поступово розширюваною агентною автоматизацією.

Головний ризик: Найновіші агентні функції менш зрілі, ніж базова платформа Verafin для боротьби з шахрайством та відмиванням грошей.

10. FICO Platform: Найкраще для регульованого корпоративного прийняття рішень

FICO найкраще розглядати як корпоративну платформу для прийняття рішень та управління моделями з глибокими можливостями боротьби з шахрайством, а не як єдиного автономного агента для розслідувань.

Портфель FICO для боротьби з шахрайством включає оцінку транзакцій у реальному часі, моделі шахрайських консорціумів, адаптивну поведінкову аналітику, управління стратегіями, розробку моделей, оптимізацію та пояснюваність. FICO також наголошує на тимчасових поясненнях, які ідентифікують відповідні минулі транзакції, що вплинули на рішення. (investors.fico.com)

Її інвестиційні матеріали 2026 року описують FICO Platform як «агентну за дизайном», з пояснюваним та аудитованим штучним інтелектом, моделями шахрайських консорціумів, навченими на мільярдах транзакцій, та інструментами для створення, тестування, оптимізації та моніторингу прийняття рішень. (investors.fico.com)

У чому FICO показує хороші результати

• Великі фінансові установи з внутрішніми командами з науки про дані
• Контрольована розробка стратегії прийняття рішень
• Управління моделями та життєвим циклом
• Оцінка шахрайства в реальному часі
• Інтелект шахрайських консорціумів
• Оркестрація прийняття рішень на рівні підприємства
• Пояснюване розгортання моделей
• Інтеграція з існуючими системами прийняття рішень

FICO повідомляє, що її спеціалізовані моделі фінансових послуг можуть забезпечити понад 35% збільшення в деяких сценаріях використання аналітичних моделей транзакцій, включаючи виявлення шахрайства. Velera повідомила про 85% зменшення часу на сповіщення про шахрайство та 76% збільшення ефективності самообслуговування держателів карток після розгортання можливостей FICO Platform. (investors.fico.com)

Найкращий вибір для: Великих установ, які хочуть широкого контролю над даними, моделями, стратегіями, тестуванням та управлінням.

Головний ризик: Організаціям може знадобитися значний внутрішній досвід, щоб отримати повну цінність платформи.

Порівняння графового обґрунтування з правилами та машинним навчанням

Системи, що базуються лише на правилах

Сильні сторони:

• Висока пояснюваність
• Швидкі та детерміновані
• Легко відобразити на політику
• Корисні для відомих типологій
• Прості в тестуванні та відтворенні

Слабкі сторони:

• Генерують великі обсяги хибнопозитивних спрацьовувань
• Можуть бути обійдені невеликими змінами поведінки
• Вимагають постійного обслуговування правил
• Часто не ідентифікують нові шаблони шахрайства
• Мають труднощі з взаємозв'язками між рахунками

Правила повинні залишатися частиною архітектури, оскільки вони забезпечують захист та чіткі засоби контролю. Вони не повинні бути єдиною стратегією виявлення.

Гібридні системи правил та машинного навчання

Гібридні системи, як правило, забезпечують найкращий операційний компроміс. Правила обробляють жорсткі обмеження та відомі ризики, тоді як машинне навчання обробляє:

• Поведінкові відхилення
• Шаблони, специфічні для клієнтів
• Аномалії в групах рівних
• Ранжування ризиків
• Зменшення хибнопозитивних спрацьовувань
• Динамічна пріоритизація
• Нова поведінка

Featurespace, Hawk, Feedzai, Unit21, ComplyAdvantage, FICO та кілька інших платформ використовують варіації цієї гібридної моделі. Hawk явно описує двоступеневий процес, в якому правила генерують винятки, а машинне навчання оцінює, чи є ці винятки ймовірними справжніми чи хибнопозитивними спрацьовуваннями. (insights.hawk.ai)

Графове обґрунтування

Графові методи є найсильнішими, коли докази розподілені між сутностями та часом. Вони можуть ідентифікувати:

• Спільні пристрої на кількох рахунках
• Повторно використані телефонні номери
• Спільні бенефіціари
• Рух грошей з одним джерелом до багатьох одержувачів (fan-in) та навпаки (fan-out)
• Швидку транзитну поведінку
• Скоординовану діяльність торговців
• Кластери синтетичної ідентичності
• Мережі «грошових мулів»
• Змову

Графова модель може покращити повноту для організованого шахрайства, одночасно зменшуючи потребу в розслідуванні ізольованих сповіщень. Однак, графові системи вводять додаткові вимоги:

• Висока якість розрішення сутностей
• Часті оновлення графа
• Контроль конфіденційності взаємозв'язків
• Управління затримкою багатоступінчастих переходів
• Захист від некоректних зв'язків
• Чіткі пояснення шляху, який створив сигнал ризику

Дослідження шахрайства з кредитними картками на основі графів 2024 року повідомило про точність 0,82 та повноту 0,92, але ці цифри були отримані з конкретного дослідницького набору даних та експериментальної установки. Їх не слід порівнювати безпосередньо з тематичними дослідженнями постачальників або виробничими частотами чарджбеків. (sciencedirect.com)

Агентне розслідування

Агенти є найбільш цінними після створення сигналу. Вони можуть скоротити час, витрачений на збір доказів та підготовку опису, але їх не слід розглядати як заміну відкаліброваній моделі виявлення шахрайства.

Рекомендована архітектура:

1. Синхронні правила та машинне навчання для рішення щодо транзакції
2. Швидкі графові функції для негайного ризику взаємозв'язків
3. Асинхронне дослідження графів для глибшого розслідування
4. Агент для розслідувань для збору доказів та підготовки справи
5. Усунення проблем, контрольоване політикою
6. Людське схвалення для незворотних або високовартісних дій

Пояснюваність для перевірок регуляторами

«Пояснюваний штучний інтелект» може означати кілька різних речей. Покупці повинні розрізняти:

1. Коди причин Приклади включають незвичайну суму, новий пристрій, високу швидкість або ризикованого контрагента.

2. Атрибуція ознак Система показує, які змінні найбільше сприяли оцінці.

3. Обґрунтування, пов'язане з доказами Система пов'язує рішення з фактичними транзакціями, пристроями, рахунками та зовнішніми записами.

4. Обґрунтування політики Система пояснює, яке правило, політика, поріг або налаштування апетиту до ризику було застосовано.

5. Обґрунтування агента та історія інструментів Аудиторський слід записує, які джерела агент консультував, що він витягнув, до якого висновку прийшов та яку дію рекомендував.

Для регулятора простого узагальнення природною мовою недостатньо. Пакет аудиту повинен включати:

• Дані транзакції та клієнта, використані на момент прийняття рішення
• Версію моделі
• Версію правила та політики
• Значення ознак
• Оцінку та поріг
• Коди причин
• Використані графові взаємозв'язки
• Зовнішні джерела даних
• Запити агента або інструкції до завдання
• Витягнуті докази
• Виклики інструментів
• Перевизначення людиною
• Остаточну дію
• Часову позначку
• Походження даних
• Зміни, внесені після початкового рішення
• Відтворювану процедуру відтворення

Переглянуті в 2026 році рекомендації Федеральної резервної системи щодо ризиків моделі наголошують на аналізі результатів, постійному моніторингу, документуванні та валідації продуктів постачальників. У ній також зазначено, що установи залишаються відповідальними за розуміння моделей постачальників, їхніх обмежень, даних розробки та продуктивності. Рекомендації виключають генеративні та агентні моделі з офіційного обсягу, але зазначається, що організації все ж повинні встановлювати відповідне управління та контроль для інструментів, не охоплених рекомендаціями. (federalreserve.gov)

Рада зі стандартів безпеки індустрії платіжних карток (PCI Security Standards Council) аналогічно рекомендує реєструвати та моніторити дії штучного інтелекту, ідентифікувати відповідальну особу та зберігати достатньо інформації для аудиту запитів та процесів обґрунтування, де це можливо. (blog.pcisecuritystandards.org)

Корисний принцип:

Правдоподібне пояснення не є доказом того, що рішення було правильним.

Дослідження, опубліковане у 2026 році, стверджує, що якість обґрунтування агента для розслідувань має оцінюватися окремо від якості його базового рішення щодо шахрайства. (arxiv.org)

Вимірювання збільшення виявлення шахрайства проти чарджбеків

Збільшення виявлення шахрайства та зменшення чарджбеків пов'язані, але різні.

Збільшення виявлення шахрайства

Корисна міра:

Збільшення виявлення шахрайства = виявлене шахрайство після розгортання мінус виявлене шахрайство до розгортання, поділене на виявлене шахрайство до розгортання

Це слід розраховувати окремо для:

• Кількість транзакцій
• Сума шахрайства
• Підтверджене несанкціоноване шахрайство
• Шахрайство з авторизованими прискореними платежами
• Захоплення облікового запису
• Шахрайство без присутності картки
• Шахрайство з першої сторони
• Синтетична ідентичність
• Шахрайство продавця
• Діяльність «грошових мулів»

Рівень чарджбеків

Рівень чарджбеків слід розраховувати як:

Кількість чарджбеків, поділена на розраховані транзакції

Також вимірюйте:

• Сума чарджбеків
• Базові пункти чарджбеків
• Коефіцієнт успішності повторного подання
• Рівень спорів клієнтів
• Чарджбеки, пов'язані з шахрайством, проти спорів, пов'язаних з послугами
• Час від транзакції до чарджбеку
• Вартість відшкодування чарджбеків
• Скаги клієнтів
• Хибні відхилення
• Рівень схвалень

Платформа може зменшити кількість чарджбеків, відхиляючи більше транзакцій, але це може зашкодити доходам. І навпаки, платформа може збільшити схвалення, одночасно знижуючи суму шахрайства за допомогою кращого таргетування.

Тому правильна бізнес-метрика – це не «найнижчий рівень чарджбеків». Це:

Максимальна сума запобігненого та відшкодованого шахрайства за прийнятного рівня хибних відхилень, схвалень, незручностей для клієнтів та операційних витрат.

Затримка при пікових навантаженнях

Заяви постачальників щодо затримки не є прямо порівнянними. Заява може стосуватися:

• Середньої затримки
• Медіанної затримки
• Затримки 95-го перцентиля
• Затримки 99-го перцентиля
• Лише затримки моделі
• Наскрізної затримки
• Продуктивності з гарячим кешем
• Однієї платіжної системи
• Тестового середовища, а не виробничого

Публічні приклади включають заяву Unit21 про прийняття рішень менш ніж за 250 мілісекунд, середній час рішення Hawk про шахрайство з транзакціями 150 мілісекунд, заяви ComplyAdvantage про час відгуку менше секунди та понад 100 транзакцій на секунду, а також маркетингову мову NICE Actimize про мілісекундний рівень. (unit21.ai)

Серйозний тест продуктивності повинен вимірювати:

• Медіанну затримку
• Затримку 95-го перцентиля
• Затримку 99-го перцентиля
• Максимальну сталу пропускну здатність
• Пікову пропускну здатність вибухів
• Затримку холодного старту
• Поведінку тайм-ауту залежностей
• Зростання черги
• Поведінку при відмові з відкриттям та закриттям
• Затримку за платіжною системою
• Затримку з графовим збагаченням
• Затримку з консорціумними пошуками
• Затримку під час оновлень моделі
• Продуктивність регіонального відмовостійкого переходу

Агент для розслідувань зазвичай повинен знаходитися поза критичним шляхом платежу. Платіж не повинен чекати пошуку розвідувальних даних з відкритих джерел, великого графового обходу або генеративного опису. Рішення щодо транзакції має бути прийняте швидко, тоді як глибше розслідування відбувається асинхронно.

Конфіденційність та безпека даних

Системи боротьби з шахрайством обробляють надзвичайно чутливу інформацію, включаючи фінансові транзакції, взаємозв'язки рахунків, дані пристроїв, записи ідентичності та поведінкові шаблони.

У Сполучених Штатах Закон Гремма-Ліча-Блайлі вимагає від фінансових установ, що підпадають під його дію, пояснювати практику обміну інформацією та захищати конфіденційну інформацію клієнтів. Правило захисту Федеральної торгової комісії також накладає зобов'язання на установи, що підпадають під його дію, та вимагає уваги до постачальників послуг, що обробляють дані клієнтів. (ftc.gov)

Загальний регламент захисту даних (GDPR) накладає додаткові обмеження на рішення, засновані виключно на автоматизованій обробці, коли ці рішення мають правові або аналогічні значні наслідки. Він також вимагає відповідних гарантій, включаючи право на втручання людини у відповідних обставинах. (eur-lex.europa.eu)

Стандарт безпеки даних індустрії платіжних карток (PCI DSS) застосовується до організацій, які зберігають, обробляють або передають дані власників карток. Рада зі стандартів безпеки індустрії платіжних карток рекомендує токенізацію, сегментацію, шифрування, контроль доступу, ведення журналів та відповідальний людський нагляд за системами штучного інтелекту, що використовуються в платіжних середовищах. (pcisecuritystandards.org)

Запитання щодо конфіденційності, які потрібно поставити кожному постачальнику

1. Чи тренує модель дані клієнтів для спільної моделі?
2. Чи може клієнт відмовитися від навчання моделі?
3. Чи видаляється або токенізується особиста інформація?
4. Чи замінюються номери платіжних карток токенами?
5. Де зберігаються та обробляються дані?
6. Чи можуть дані залишатися в межах вибраного географічного регіону?
7. Чи анонімізуються консорціумні сигнали?
8. Чи обмінюються необроблені записи клієнтів з іншими установами?
9. Який термін зберігання?
10. Чи можуть дані бути видалені після розірвання контракту?
11. Які субпроцесори отримують дані?
12. Чи зберігаються підказки великих мовних моделей?
13. Чи може агент для розслідувань отримувати доступ до зовнішніх веб-сайтів?
14. Чи обмежені інструменти агента роллю та політикою?
15. Чи шифруються записи справ під час зберігання та передачі?
16. Чи може установа аудитувати кожен доступ до даних?
17. Чи доступні розгортання в приватній хмарі або локально?

Feedzai описує федеративний підхід, при якому необроблені дані клієнтів залишаються локальними, тоді як анонімізовані сигнали обмінюються. ComplyAdvantage описує географічну сегрегацію та корпоративні засоби безпеки. Hawk рекламує варіанти розгортання як програмне забезпечення як послугу, приватну хмару та локально. Посібник для покупців Unit21 наголошує на ізоляції даних, шифруванні, регіональному хостингу, обмеженнях щодо навчання моделей, засобах контролю зворотного зв'язку та забезпеченні якості. (feedzai.com)

Це корисні варіанти дизайну, але жоден з них автоматично не доводить дотримання законодавства. Установа залишається відповідальною за свої угоди про обробку даних, повідомлення про конфіденційність, оцінку ризиків та нагляд за третіми сторонами.

Моніторинг дрейфу моделі

Шахрайство є ворожою діяльністю. Як тільки контроль стає ефективним, злочинці змінюють пристрої, суми, продавців, бенефіціарів, час платежу, ідентифікаційну інформацію або шляхи транзакцій.

Програма моніторингу моделі повинна відстежувати:

Дрейф даних

• Зміни в сумах транзакцій
• Нові категорії продавців
• Нові країни або регіони
• Зміни пристроїв та браузерів
• Відсутні або запізнілі поля
• Нові платіжні системи
• Зміни у складі клієнтів
• Зміни у складі контрагентів

Дрейф прогнозів

• Розподіл оцінок
• Обсяг сповіщень
• Обсяг відхилень
• Обсяг переглядів
• Коефіцієнт автоматичного вирішення
• Стабільність порогів
• Калібрування

Дрейф результатів

• Точність після дозрівання міток
• Повнота
• Виявлення суми шахрайства
• Рівень чарджбеків
• Хибні відхилення
• Скаги клієнтів
• Результати спорів
• Перевизначення аналітиком
• Конверсія звітів про підозрілу діяльність

Операційний дрейф

• Час розслідування
• Вік черги
• Кількість звернень аналітика до справи
• Помилки при отриманні доказів
• Помилки інструментів агента
• Вигадані або непідтверджені заяви
• Зміни правил
• Зміни версій моделі
• Збої джерел даних

Керівництво Федеральної резервної системи 2026 року рекомендує постійний моніторинг та аналіз результатів для визначення того, чи залишаються моделі точними, придатними для цілей та надійними в міру зміни продуктів, клієнтів, ризиків та ринкових умов. (federalreserve.gov)

Featurespace наголошує на адаптивних поведінкових моделях, призначених для зменшення ручної перепідготовки. Feedzai опублікувала дослідження з виявлення потокового дрейфу до того, як стануть доступними мітки. Unit21 надає режими тіньового тестування, валідації та пісочниці для тестування нової логіки виявлення шахрайства. ComplyAdvantage надає метрики продуктивності правил, такі як частота спрацьовувань та тенденції хибнопозитивних спрацьовувань. Hawk пропагує управління життєвим циклом моделей та автоматичне управління моделями. (staging.www.featurespace.com)

Особливо важливим засобом контролю є моніторинг запізнілих міток. Чарджбеки та підтверджені мітки шахрайства можуть надходити через тижні або місяці після початкового рішення. Організації не повинні чекати остаточних міток шахрайства, перш ніж моніторити раптові зміни у вхідних розподілах, шаблонах сповіщень або поведінці клієнтів.

Рекомендована картка оцінки для покупця

Практична оцінка може розподіляти ваги наступним чином:

Вимагайте від кожного постачальника проведення однієї і тієї ж оцінки:

1. Надайте історичну вибірку транзакцій з підтвердженими результатами.
2. Використовуйте хронологічне, а не випадкове розділення для тестування.
3. Проведіть тихе виробниче відтворення.
4. Порівняйте з поточними правилами та моделями.
5. Виміряйте точність за фактичної частоти перевірок.
6. Виміряйте повноту за фактичної частоти відхилень.
7. Повідомте виявлену суму шахрайства.
8. Повідомте про вплив чарджбеків та хибних відхилень.
9. Виміряйте медіанну затримку, затримку 95-го перцентиля та 99-го перцентиля.
10. Виміряйте хвилини аналітика на сповіщення та на справу.
11. Протестуйте піковий трафік та відмову залежностей.
12. Перегляньте пояснення з аналітиками з шахрайства та фахівцями з комплаєнсу.
13. Протестуйте дрейф моделі в різних країнах, продуктах, продавцях та платіжних системах.
14. Аудитуйте рекомендації агента проти вихідних доказів.
15. Під час пілотного проекту зберігайте високовартісні дії в режимі людського перегляду.

Ринкові прогалини та краще рішення для створення

Найбільшою ринковою прогалиною є не ще одна оцінка шахрайства. Це стандартизована, орієнтована на докази платформа для операцій з боротьби з шахрайством, яка робить заяви постачальників вимірними, а регуляторні перевірки відтворюваними.

Сильніше рішення включало б наступне.

1. Двошвидкісна архітектура

• Синхронне прийняття рішень щодо транзакцій менш ніж за 100 мілісекунд
• Асинхронне розширення графа та розслідування
• Окремі середовища агентів для досліджень та усунення проблем
• Відсутність залежності від великої мовної моделі на шляху авторизації платежу

2. Універсальний механізм оцінки

Платформа повинна автоматично розраховувати:

• Точність
• Повноту
• Точність за фіксованих частот переглядів
• Повноту за фіксованих частот відхилень
• Виявлену суму шахрайства
• Рівень чарджбеків
• Рівень хибних відхилень
• Рівень схвалень
• Заощаджений час аналітика
• Час вирішення справи
• Затримку 95-го та 99-го перцентиля
• Дрейф за сегментом та типологією

Це дозволило б установам порівнювати постачальників, використовуючи ті самі визначення.

3. Пакети відтворення для регуляторів

Для кожного значущого рішення система повинна зберігати:

• Вхідні дані
• Версію моделі
• Версію правила
• Версію графа
• Оцінку
• Поріг
• Коди причин
• Докази
• Дії агента
• Перевизначення людиною
• Остаточне рішення
• Відтворювані інструкції для відтворення

4. Мережевий інтелект, що зберігає конфіденційність

Майбутній консорціум повинен підтримувати:

• Федеративне навчання
• Безпечні багатосторонні обчислення
• Токенізовані ідентифікатори
• Диференціальну конфіденційність, де це доречно
• Регіональну обробку
• Зберігання даних, контрольоване установою
• Прозоре управління консорціумом

5. Безпечна оркестрація усунення проблем

Агенти повинні рекомендувати та виконувати дії відповідно до настроюваних рівнів ризику:

• Хибнопозитивні спрацьовування з низьким ризиком можуть бути автоматично закриті
• Справи середнього ризику можуть вимагати схвалення аналітика
• Високовартісні платежі можуть вимагати подвійного схвалення
• Закриття рахунків може вимагати рішення людини
• Зміни правил повинні вимагати тестування та контролю версій
• Регуляторні подання повинні вимагати відповідального людського підпису

6. Оцінка якості доказів

Система повинна оцінювати не лише рішення щодо шахрайства, а й якість доказів, що його підтверджують:

• Чи всі заяви пов'язані з вихідними записами?
• Чи використовував агент застарілу інформацію?
• Чи пропустив він суперечливі докази?
• Чи сплутав він пов'язану сутність із суб'єктом?
• Чи рекомендував він дію, що виходить за межі політики?
• Чи може інший слідчий відтворити висновок?

Це допомогло б запобігти вишуканим, але непідтвердженим описам розслідувань.

Висновок

Найкращі агенти для виявлення шахрайства та моніторингу транзакцій – це не просто чат-боти, підключені до черг сповіщень. Це багатошарові системи ризиків, які поєднують правила реального часу, машинне навчання, поведінковий аналіз, графовий інтелект, автоматизацію розслідувань, пояснюваність та контрольоване усунення проблем.

Для більшості установ найсильніша цільова архітектура:

1. Правила для чіткого контролю політики
2. Машинне навчання для оцінки поведінкових ризиків
3. Графовий аналіз для пов'язаного шахрайства та фінансових злочинів
4. Агенти для розслідувань для збору доказів
5. Людське схвалення для значущих дій
6. Постійний моніторинг на предмет дрейфу, затримки, конфіденційності та якості результатів

Unit21 та Sardine особливо привабливі для агентних операцій з боротьби з шахрайством та цифрових фінансових послуг. Feedzai та Featurespace мають вагомі докази у великомасштабному виявленні шахрайства з платежами. ComplyAdvantage та NICE Actimize є сильним вибором для моніторингу транзакцій, розслідувань та регуляторної звітності. Hawk виділяється пояснюваним прийняттям рішень у реальному часі. Quantexa особливо сильна для графових контекстних розслідувань. Nasdaq Verafin добре позиціонується для північноамериканських операцій з боротьби з фінансовими злочинами на основі консорціуму, тоді як FICO є сильним варіантом для установ, які хочуть глибокого контролю над прийняттям рішень та управлінням моделями.

Вирішальним критерієм покупки повинна бути не найвражаюча демонстрація штучного інтелекту. Це має бути здатність платформи продемонструвати на власних даних установи та в промислових масштабах:

• Вищу повноту виявлення шахрайства
• Кращу точність
• Більшу виявлену суму шахрайства
• Нижчі чарджбеки без надмірних відхилень
• Менше часу аналітиків
• Надійну затримку при піковому навантаженні
• Обґрунтовані пояснення
• Сильні засоби контролю конфіденційності
• Вимірний опір дрейфу моделі