Dar prieš kokį dešimtmetį bankų sukčiavimo prevencijos skyriai dirbo pagal gana paprastą principą – jei sandoris viršija tam tikrą sumą arba vyksta neįprastu laiku, sistema jį pažymi ir žmogus peržiūri rankiniu būdu. Šiandien situacija visiškai kitokia. Sukčiai tapo sofistikuotesni, jų atakos vyksta greičiau nei bet kada, o klasikinės taisyklėmis grįstos sistemos tiesiog nebespėja. Būtent čia į žaidimą įsijungia mašininis mokymasis ir dirbtinis intelektas, kurie per pastaruosius metus tapo neatsiejama kiekvieno rimtesnio banko infrastruktūros dalimi.
Kodėl senos taisyklėmis grįstos sistemos nebeveikia
Tradicinės sukčiavimo aptikimo sistemos veikė pagal aiškiai užprogramuotas taisykles: jei kortelė naudojama dviejose skirtingose šalyse per trumpą laiko tarpą, blokuoti; jei sandoris viršija 5000 eurų ir vyksta naktį, siųsti pranešimą. Problema ta, kad tokios taisyklės yra statiškos, o sukčiai jas gana greitai išmoksta apeiti. Be to, tokios sistemos generuoja begalę klaidingų teigiamų signalų (angl. false positives) – klientas tiesiog nusiperka bilietą į kitą šalį ir jo kortelė staiga blokuojama, nors jokio sukčiavimo nėra.
Skaičiuojant realiais skaičiais, kai kurie bankai anksčiau susidurdavo su situacija, kai iki 90% pažymėtų sandorių pasirodydavo esą legitimūs. Tai reiškia milžinišką darbo krūvį analitikams ir, kas svarbiausia, nusivylusius klientus, kurių kortelės blokuojamos be reikalo. AI sprendimai leidžia šį santykį sumažinti kelis kartus, nes sistema mokosi iš istorinių duomenų ir geba atskirti tikrai įtartinus modelius nuo paprasčiausių anomalijų.
Kaip veikia mašininio mokymosi modeliai praktikoje
Esmė ta, kad AI modelis nebando taikyti fiksuotos taisyklės visiems klientams vienodai. Vietoj to jis kuria individualų elgesio profilį kiekvienam vartotojui – kiek vidutiniškai išleidžia per savaitę, kokiu laiku dažniausiai atlieka pirkinius, kokiose šalyse ar parduotuvėse perka, kokiu prietaisu prisijungia prie internetinės bankininkystės. Kai atsiranda nukrypimas nuo šio profilio, sistema apskaičiuoja rizikos balą.
Populiariausi modeliai šioje srityje – gradientinio stiprinimo medžiai (gradient boosting, pvz. XGBoost ar LightGBM), atsitiktiniai miškai (random forest) bei neuroniniai tinklai, ypač rekursiniai (RNN) ir transformerių architektūros, kurios geba analizuoti sandorių sekas laike. Pastaruoju metu vis daugiau bankų eksperimentuoja su grafų neuroniniais tinklais (Graph Neural Networks), nes sukčiavimo schemos dažnai apima tinklus tarpusavyje susijusių sąskaitų, o grafų struktūra leidžia matyti ryšius, kurių paprastas tabuliuotų duomenų modelis paprasčiausiai nepastebėtų.
Svarbu paminėti ir anomalijų aptikimo (anomaly detection) metodus, tokius kaip Isolation Forest ar autoenkoderiai. Jie naudingi tada, kai sukčiavimo pavyzdžių turime labai mažai (o taip dažniausiai ir yra – legitimūs sandoriai sudaro absoliučią daugumą), todėl klasikinis prižiūrimas mokymas (supervised learning) tampa sudėtingas dėl duomenų disbalanso.
Realaus laiko sprendimai ir latencijos iššūkis
Vienas didžiausių techninių iššūkių – sprendimą reikia priimti per milisekundes. Kai klientas atsiskaito kortele parduotuvėje ar internetu, bankas turi vos kelias dešimtis milisekundžių įvertinti riziką ir arba patvirtinti, arba atmesti sandorį. Tai reiškia, kad sudėtingi modeliai, reikalaujantys didelių skaičiavimo resursų, turi būti optimizuoti taip, kad veiktų beveik akimirksniu.
Čia praktikoje dažnai naudojama dviejų pakopų architektūra: pirmoji, greita ir paprastesnė sistema (dažnai grindžiama taisyklėmis arba lengvu modeliu) atlieka pirminį filtravimą, o antroji, sudėtingesnė AI sistema, aktyvuojama tik tada, kai pirmoji pakopa pažymi sandorį kaip potencialiai rizikingą. Toks požiūris leidžia sutaupyti skaičiavimo galią ir kartu užtikrinti aukštą tikslumą ten, kur to labiausiai reikia.
Infrastruktūros lygmenyje tai dažnai reiškia darbą su srautų apdorojimo sistemomis kaip Apache Kafka ar Apache Flink, kurios leidžia analizuoti duomenų srautus realiu laiku, o ne partijomis (batch processing), kaip būdavo darant anksčiau.
Duomenys – tikras iššūkis, ne tik algoritmai
Bet kokia diskusija apie AI sukčiavimo aptikimui neišvengiamai suksis apie algoritmus, tačiau realybėje didžioji dalis darbo tenka duomenims. Bankai turi milžiniškus kiekius istorinių sandorių, tačiau ne visi jie yra tinkamai anotuoti – dažnai nėra aišku, ar konkretus sandoris iš tiesų buvo sukčiavimas, ar tiesiog klaidingai pažymėtas. Be to, sukčiavimo modeliai nuolat kinta (šis reiškinys vadinamas concept drift), todėl modelis, kuris puikiai veikė prieš pusmetį, dabar gali būti visiškai neefektyvus.
Dėl to bankai investuoja į nuolatinį modelių perkvalifikavimą (retraining) – dažnai kas savaitę ar net dažniau, priklausomai nuo sukčiavimo aktyvumo. Taip pat vis dažniau naudojamas federuotas mokymasis (federated learning), kai keli bankai gali dalintis apibendrintais modelio parametrais nesidalinant pačiais klientų duomenimis – tai sprendžia ir privatumo, ir duomenų apsaugos reglamentų (GDPR) problemas.
Kitas svarbus aspektas – sintetinių duomenų generavimas. Kadangi realių sukčiavimo pavyzdžių yra palyginti nedaug, o dalintis jautriais duomenimis tarp institucijų sudėtinga, vis populiaresnis tampa metodas, kai generuojami dirbtiniai, bet realistiški sukčiavimo scenarijai naudojant GAN (Generative Adversarial Networks) architektūras. Tai leidžia modelius treniruoti su platesniu pavyzdžių spektru.
Kaip sukčiai bando apeiti AI sistemas
Įdomu tai, kad sukčiai taip pat naudoja technologijas savo pusėje. Vadinamasis adversarial machine learning tapo realia problema – nusikaltėliai bando suprasti, kokie modelio sprendimo kriterijai, ir vykdo mažus, „sub-threshold“ sandorius, kurie individualiai neatrodo įtartini, bet kartu sudaro didelę sukčiavimo schemą. Tai vadinama „smurfing“ arba struktūrizavimu.
Kitas populiarus metodas – sintetinės tapatybės (synthetic identity fraud), kai sukčiai sukuria visiškai naują, dirbtinę tapatybę, sujungdami tikrus ir netikrus duomenis (pvz. tikrą socialinio draudimo numerį su išgalvotu vardu). Tokias schemas aptikti ypač sunku, nes nėra realaus asmens, kurio elgesio istoriją būtų galima palyginti.
Dėl to bankai vis dažniau taiko biometrinę analizę – kaip vartotojas laiko telefoną, kokiu greičiu renka klaviatūroje, kokį pelės judesio modelį naudoja. Šis požiūris vadinamas elgesio biometrija (behavioral biometrics), ir jis leidžia atpažinti, kad prisijungimą atlieka ne tikras kliento „skaitmeninis dvynys“, o botas ar kitas asmuo, net jei visi slaptažodžiai ir kodai buvo teisingi.
Paaiškinamumas ir reguliavimo spaudimas
Bankinis sektorius yra vienas griežčiausiai reguliuojamų, todėl vien tik tikslus modelis nėra pakankamas – jis turi būti ir paaiškinamas. Jei sistema blokuoja kliento sandorį, bankas privalo sugebėti paaiškinti, kodėl taip įvyko, ypač jei klientas skundžiasi ar kreipiasi į priežiūros instituciją. Tai reiškia, kad juodosios dėžės (black box) modeliai, tokie kaip gilūs neuroniniai tinklai, dažnai turi būti papildomi paaiškinamumo įrankiais – SHAP (SHapley Additive exPlanations) arba LIME (Local Interpretable Model-agnostic Explanations) yra dažniausiai naudojami metodai šiam tikslui.
Europoje šiuo klausimu svarbų vaidmenį atlieka ir AI Act, kuris klasifikuoja finansinių sukčiavimo aptikimo sistemas kaip potencialiai didelės rizikos AI taikymo sritis, reikalaujančias papildomos dokumentacijos, žmogaus priežiūros ir skaidrumo. Bankai, kurie jau dabar investuoja į paaiškinamas architektūras, ateityje turės mažiau problemų prisitaikant prie naujų reikalavimų.
Ką tai reiškia paprastam vartotojui
Nors visa ši technologinė kalba gali skambėti gana abstrakčiai, kasdienis poveikis paprastam bankų klientui yra apčiuopiamas. Jei kada nors gavote SMS žinutę su klausimu, ar tikrai jūs atlikote konkretų pirkinį, arba jūsų kortelė buvo laikinai užblokuota keliaujant užsienyje – tai ir buvo AI sistemos darbo rezultatas realiu laiku. Geros naujienos ta, kad su kiekvienais metais tokie klaidingi suveikimai tampa vis retesni, nes modeliai geriau supranta individualų vartotojo elgesį.
Praktinis patarimas vartotojams – verta banko aplikacijoje iš anksto pažymėti planuojamas keliones ar didesnius pirkinius, jei tokia funkcija egzistuoja. Tai duoda papildomos informacijos AI sistemai ir sumažina tikimybę, kad legitimus sandoris bus sustabdytas. Taip pat verta reguliariai tikrinti, ar banko aplikacijoje įjungtos dviejų faktorių autentifikacijos ir biometrinio atpažinimo funkcijos – jos ne tik apsaugo jūsų sąskaitą, bet ir suteikia papildomų duomenų taškų, leidžiančių sistemai tiksliau atskirti jus nuo galimo sukčiaus.
Vietoj apibendrinimo: kur link viskas juda
Sukčiavimo aptikimo sritis bankuose šiandien primena nesibaigiančias ginklavimosi lenktynes – kiekvienas naujas apsaugos sluoksnis netrukus sulaukia atsako iš sukčių pusės, o technologijos abiejose barikadų pusėse tobulėja lygiagrečiai. Tai, kas dar prieš penkerius metus buvo eksperimentinis mokslinių tyrimų projektas – grafų neuroniniai tinklai, federuotas mokymasis, elgesio biometrija – šiandien jau tapo standartine gamybinės aplinkos dalimi didžiuosiuose bankuose.
Ateityje verta stebėti kelias konkrečias kryptis. Pirma, generatyvinio AI panaudojimas ne tik sukčiavimui vykdyti (deepfake balso klonavimas skambučių centrams jau yra reali grėsmė), bet ir jam aptikti – modeliai, gebantys atpažinti sintetintą balsą ar vaizdą realiu laiku, taps standartine banko infrastruktūros dalimi. Antra, tarpbankinis bendradarbiavimas per federuotą mokymąsi turėtų plėstis, nes sukčiavimo schemos vis dažniau apima kelias finansų institucijas vienu metu, o joks vienas bankas nemato pilno vaizdo.
Jei dirbate finansų technologijų srityje ar tiesiog domitės, kaip veikia sistemos, saugančios jūsų pinigus, verta atsiminti tris dalykus: modeliai yra tik tiek geri, kiek geri yra duomenys, kuriais jie mokomi; greitis ir tikslumas visada bus kompromiso objektas; o paaiškinamumas nebėra prabanga – tai reguliacinis reikalavimas, kurio ignoruoti negalima. Bankai, sugebantys subalansuoti šiuos tris aspektus, turės aiškų pranašumą prieš tuos, kurie vis dar remiasi vien statiškomis taisyklėmis iš praėjusio dešimtmečio.
