靠AI扮演坏人来练兵！SAS揭露用GAN设计金融防诈欺模型的新作法

银行经常得搜集各种诈欺事件和案例，来建立各种防诈欺风险控管机制，老牌数据分析公司SAS日前揭露了一个AI风险警示设计架构，将机器学习、社群网络分析和视觉化分析等新兴技术应用到金融预防诈欺上。

在这个架构中，先汇入各种资料（包括历史资料）后，以业务规则和AI模型进行风险评分，每一个模型或规则，都以高、中、低、无风险等4等级来评分，再综合成一个风险程度，再透过来设定哪一种程度的风险要发出疑似诈欺的警示。接着，可利用社群网络分析来进行案件调查，不只可用来分析个案与历史资料的关联，还容易依时序来显示关联案件如何形成，而非只针对单一交易案件。最后，可搭配视觉化机制来呈现是否为诈欺案件的判断结果，并将结果回馈至风险评分机制，搭配适应性学习（Adaptive Learning）来调校规则。

SAS AI机器学习副总裁Saratendu Sethi来台时，更进一步揭露了一个用生成对抗网络（GAN）来设计防诈欺模型的新作法。Saratendu Sethi解释，首先产生一个仿真的诈欺案件，透过竞争机制来判断真伪，来训练出更强防诈欺能力的AI风险模型。就像是用AI扮演坏人来练兵一样的作法。

虽然GAN最耳熟能详的应用是AI画图、AI作曲等，不过，Saratendu Sethi表示，GAN的创作能力，用于防诈欺再适合不过，透过生成器来产生仿真的案件资料，再透过鉴别器来判断真伪。随着时间推进，生成器产生的案件越来越多样、逼真，可以弥补诈欺案件资料不足的问题，而鉴别器判断能力也会越来越强，可用来应付层出不穷的诈欺新手法，“金融业、电信业、医疗业，还是零售、-或资安等领域都可采用GAN。”

另一方面，SAS解决方案经理韦俊宏补充，诈欺属于小样本事件，再加上近年诈骗手法层出不穷，传统对抗方法的效果越来越差，他以银行防洗钱（AML）机制来说，过去多采规则式算法，行为模式难以分群，往往导致许多顾客都符合警示条件，系统会“不断跳出警示”，导致人工复查的工作量大增。机器学习则可用小样本就能区隔客群和行为模式，更精准地揪出可疑案例。

其中一个例子是，利用自然语言处理（NLP）来辅助金融诈欺快筛。当银行出现新客户办理借贷等业务时，银行业者需比对新闻数据库的申请人负面新闻，以判断是否为潜在诈欺户。NLP可在数秒内分析上万笔媒体平台文件，将关键讯息（如申请人姓名、新闻事件时间、地点、事项等）抽取出来，利用自然语言生成（NLG）产生一份负面新闻摘要，再由人工审阅，作为防诈快筛。

不只如此，韦俊宏表示，现在还有一项新兴的防诈欺技术，就是社群网络分析（Social Network Analysis，简称SNA）。社群网络分析原是用来研究社群结构；社群网络由其中的节点（Node）、边（Edge）和关系连结（Link）组成，再形成图（Graph）。节点是社群网络中的参与者，可以是人、事、物，边则用来表示节点之间的关系，而社群网络分析可图解各节点的关联，以及这些关联在时序上的改变。

此外，社群网络分析还可补足机器学习只能从单笔交易中找目标（Target）的缺陷。也因为这个特性，社群网络分析也成了近年来因应组织性诈欺的新方法。以金融诈欺来说，社群网络可用来分析客户和组织的关联，比如节点就是客户或组织，而连结可以是基本资料，像是地址、电话、亲属关系，或是如转账、业务、保单理赔等交易行为。要是银行或保险公司系统中出现可疑案件，系统会将这笔新资料与历史资料比对，找出关联性，以判断是否为组织性诈欺。由于社群网络分析擅长分析组织间的关联，因此，还适用于侦测-逃漏税、医疗健保申请等组织型诈欺案例。文◎王若朴