เพื่อเอาชนะความเสี่ยงที่เพิ่มขึ้นจากอาชญากรรมทางการเงิน ทีมผู้เชี่ยวชาญด้านการฉ้อโกงได้ทำงานร่วมกับโซลูชันที่ขับเคลื่อนด้วย AI มาเป็นเวลานาน หากไม่มีเครื่องมือดังกล่าว การตรวจสอบธุรกรรมทางการเงินทั้งหมดเพื่อหากิจกรรมทางอาญาที่อาจเกิดขึ้นก็คงไม่สามารถทำได้ แต่ไม่ใช่ว่าโซลูชันทั้งหมดจะมีประสิทธิภาพเท่ากัน อนาคตของการป้องกันการฉ้อโกงอยู่ที่การตรวจสอบแบบหลายช่องสัญญาณที่รวมกันอย่างชาญฉลาดและ AI แบบไฮบริด กล่าวคือ การผสมผสานที่เหมาะสมที่สุดของข้อมูล กฎที่ซับซ้อน และผู้ใช้ที่มีความสามารถ
To overcome increased risks from financial crime, fraud expert teams have long been working with AI-powered solutions. Without such tools, inspecting all financial transactions for possible criminal activity would not be possible. But not all solutions are equally effective. The future of fraud prevention lies in intelligently combined multichannel monitoring and Hybrid AI, i.e., the optimal combination of data, sophisticated rules, and competent users.
ปัญญาประดิษฐ์แบบผสมผสาน – อนาคตของการป้องกันการฉ้อโกงที่มีประสิทธิภาพ
เพื่อเอาชนะความเสี่ยงที่เพิ่มขึ้นจากอาชญากรรมทางการเงิน ทีมผู้เชี่ยวชาญด้านการฉ้อโกงได้ทำงานร่วมกับโซลูชันที่ขับเคลื่อนด้วย AI มาเป็นเวลานาน หากไม่มีเครื่องมือดังกล่าว การตรวจสอบธุรกรรมทางการเงินทั้งหมดเพื่อหากิจกรรมทางอาญาที่อาจเกิดขึ้นก็คงไม่สามารถทำได้ แต่ไม่ใช่ว่าโซลูชันทั้งหมดจะมีประสิทธิภาพเท่ากัน อนาคตของการป้องกันการฉ้อโกงอยู่ที่การตรวจสอบแบบหลายช่องสัญญาณที่รวมกันอย่างชาญฉลาดและ AI แบบไฮบริด กล่าวคือ การผสมผสานที่เหมาะสมที่สุดของข้อมูล กฎที่ซับซ้อน และผู้ใช้ที่มีความสามารถ
คำว่าปัญญาประดิษฐ์ (AI) เป็นที่มาของความสับสนและการโต้เถียงมาโดยตลอด น่าเสียดายที่ไม่มีกระแสหลักเพื่อเป็นแนวทางในการอภิปราย ที่เรียกว่า “ปัญญาประดิษฐ์ทั่วไป” เป็นประเภท AI ที่โดดเด่นที่สุดที่ดึงดูดความสนใจของผู้ใช้ และ (ในสถานการณ์ที่เกิดภัยพิบัติมากที่สุด) คาดว่าจะเข้ามาแทนที่มนุษย์ในหน้าที่ต่างๆ โดยเฉพาะในที่ทำงาน เป้าหมายของสิ่งนี้คือการสร้างหุ่นยนต์หรือแอนดรอยด์ที่หลอมรวม พูดคุย และตอบสนองได้เหมือนมนุษย์ ในแง่นี้ ผู้ช่วยที่เพิ่มประสิทธิภาพด้วย AI เช่น Siri, Alexa หรือ Cortana คือตัวอย่างแรกของวิธีการนี้
ปัจจุบัน โปรแกรม AI ส่วนใหญ่เสนอ “โซลูชันพิเศษ” ที่ใจแคบให้กับเรา ซึ่งสามารถเอาชนะมนุษย์ด้วยหมากรุกหรือเชี่ยวชาญงานแยกบางอย่างเพื่อแก้ปัญหาทางธุรกิจที่เฉพาะเจาะจงได้ AI ประเภทที่ใช้งานได้จริงนี้ใช้เทคนิคการเรียนรู้ของเครื่องและนำคุณค่าบางอย่างมาสู่อุตสาหกรรมต่างๆ ที่ดำเนินการอยู่ ด้วย ChatGPT และโมเดลภาษาที่ผ่านการฝึกอบรมอื่น ๆ เทคโนโลยีได้เกิดขึ้นซึ่งดูเหมือนจะผลักดันขอบเขตเหล่านี้ไปสู่ระดับใหม่โดยมีกรณีการใช้งานมากมายของเทคโนโลยีนี้ที่ขอบฟ้าเท่านั้น อย่างไรก็ตาม การป้องกันการฉ้อโกงอย่างมีประสิทธิภาพนั้นต้องการมากกว่าแค่การเรียนรู้ของเครื่อง ซึ่งส่วนใหญ่มักถูกใช้เป็นคำพ้องความหมายสำหรับ AI
ทำความเข้าใจเกี่ยวกับ AI แบบไฮบริด
แต่แมชชีนเลิร์นนิง (ML) คืออะไร พูดง่ายๆ ก็คือ ML ประกอบด้วยชุดเครื่องมือที่ใช้อัลกอริทึมในการเรียนรู้และปรับให้เข้ากับข้อมูล ทำให้คอมพิวเตอร์สามารถค้นหาข้อมูลเชิงลึกที่ซ่อนอยู่โดยไม่ต้องบอกว่าต้องค้นหาจากที่ใด Classic ML ขึ้นอยู่กับอายุของโมเดล ML ที่พวกเขาใช้ สิ่งเหล่านี้ต้องได้รับการฝึกฝนอย่างเข้มข้นก่อนที่จะสามารถใช้งานได้เป็นครั้งแรกด้วยอัตราการตีที่สมเหตุสมผล เวลาที่กำหนดไม่สามารถใช้ได้กับสถาบันการเงินในยุคของการชำระเงินทันที ตัวอย่างเช่น หากทีมป้องกันการฉ้อโกงของธนาคารอาศัยเพียงอัลกอริธึม ML เพื่อเรียนรู้รูปแบบการฉ้อโกง อาชญากรก็จะมีเวลาเหลือเฟือที่จะสร้างความเสียหายมากมาย
ปัจจุบัน ซอฟต์แวร์พิเศษที่ใช้ปัญญาประดิษฐ์แบบไฮบริด ซึ่งรวมประโยชน์ของ AI ที่ขับเคลื่อนด้วยข้อมูล (เช่น ML) กับ AI ที่มีความรู้ (เช่น Fuzzy Logic หรือการทำโปรไฟล์แบบไดนามิก) ถูกนำมาใช้เพื่อระบุความเสี่ยงและการฉ้อโกงอย่างมีประสิทธิภาพในองค์กรบางแห่ง ดำเนินการในตลาดการเงิน ในแง่นี้ โมเดลแมชชีนเลิร์นนิงได้พิสูจน์แล้วว่าเป็นเครื่องมือที่ทรงพลังในการต่อสู้กับหายนะนี้ อย่างไรก็ตาม พวกเขาต้องการข้อมูลจำนวนมากและผู้เชี่ยวชาญที่อยู่เบื้องหลังเพื่อนำมาใช้อย่างเต็มศักยภาพ
ในทางกลับกัน วิธีการแบบผสมผสานช่วยให้โมเดลแมชชีนเลิร์นนิงเสริมด้วยความรู้จากผู้เชี่ยวชาญ ทำให้ได้ผลลัพธ์ทันทีและเชื่อถือได้มากขึ้น
Hybrid AI ในการป้องกันการฉ้อโกงแบบเรียลไทม์
ระบบปัจจุบันที่รักษาโปรไฟล์แบบไดนามิกสำหรับเอนทิตีต่างๆ (เช่น บัญชีธนาคาร) สามารถตรวจจับธุรกรรมที่ “อาจฉ้อโกง” ได้แบบเรียลไทม์ผ่านกฎขั้นสูง นอกจากนี้ กฎที่อิงตามตรรกะแบบฟัซซี สามารถสร้างกฎอิสระเพื่อช่วยหลีกเลี่ยงความเสี่ยงของเหตุการณ์เฉพาะได้ ดังนั้น ด้วยความสามารถในการจัดการกฎอิสระสำหรับข้อมูลที่แตกต่างกันภายในการทำธุรกรรมเดียวกัน จึงเป็นไปได้ที่จะสร้าง “ลายนิ้วมือ” สำหรับลูกค้า โดยระบุรูปแบบที่ไม่รู้จัก รูปแบบเหล่านี้อาจอยู่ภายใต้เรดาร์ของโมเดลที่อาศัยแมชชีนเลิร์นนิงทั้งหมด ตัวอย่างเช่น ลองนึกภาพการทำธุรกรรมที่จำนวนเงินสูงกว่าจำนวนเงินเฉลี่ยที่ดึงออกมาในช่วงหลายเดือนที่ผ่านมา 30% นอกจากนี้ยังมีบัญชีใหม่หลายบัญชีที่เกี่ยวข้องสำหรับลูกค้า จำนวนเงินที่ใกล้เคียงกับจำนวนเงินสูงสุดต่อวันที่อนุญาต IP ที่ไม่รู้จัก ประเทศที่ทำธุรกรรมแตกต่างจากของลูกค้า ฯลฯ
ความผิดปกติของการทำธุรกรรมแต่ละรายการเหล่านี้เพียงอย่างเดียวอาจดูแปลกและน่าสงสัย แต่ก็ไม่เพียงพอที่จะส่งสัญญาณเตือนที่เหมาะสม ด้วยโมเดล Hybrid AI เทคนิคขั้นสูงและแมชชีนเลิร์นนิงทำงานร่วมกัน ทำให้ซอฟต์แวร์ที่ใช้เทคโนโลยีนี้เป็นทางเลือกที่มีประสิทธิภาพมากกว่าสำหรับการคาดการณ์ปัญหาประเภทนี้
ปัจจัยสำคัญในการทำให้แนวทางนี้มีประสิทธิภาพคือความฉับไวที่แบบจำลองเหล่านี้สามารถตอบสนองได้ มีเครื่องมือไม่กี่ตัวที่สามารถทำงานแบบเรียลไทม์และให้การตอบสนอง “มิลลิวินาที” เพื่อระบุและป้องกันการฉ้อโกงก่อนที่จะเกิดขึ้น โมเดลเหล่านี้รวมเอาเทคโนโลยีและเทคนิคที่มีอยู่ทั้งหมดไว้ด้วยกัน มีข้อได้เปรียบเชิงเปรียบเทียบมากกว่าโมเดลที่เน้นเทคโนโลยีเพียงไม่กี่อย่าง สิ่งนี้ช่วยให้องค์กรที่ใช้พวกเขาประหยัดได้มากและมีฐานลูกค้าที่มีสุขภาพดีและพึงพอใจมากขึ้น