机器学习如何应对金融网络犯罪 人工智能对于安全见解至关重要

简介: 在过去的几个月中,由于与冠状病毒有关的索赔,在这段巨大的压力下,失业系统盗窃了数百万美元。

云栖号资讯:【点击查看更多行业资讯
在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来!

在过去的几个月中,由于与冠状病毒有关的索赔,在这段巨大的压力下,失业系统盗窃了数百万美元。

image

一个精明的国际骗子团伙一直在为仍然稳定工作的人提出虚假的失业要求。攻击者使用先前获取的个人身份信息(PII)(例如社会安全号码,地址,姓名,电话号码和银行帐户信息)来欺骗公职人员接受索赔。

然后,向这些受雇人员支付的款项将转至洗钱同伙,这些同伙在将现金存入自己的帐户之前先将其转嫁以掩盖现金的非法性质。

对导致这些攻击的PII的收购以及金融机构未能发现的洗钱模式凸显了重新建立安全性的重要性。但是,在基于历史规则的系统失败的地方,经过高质量数据训练的人工智能才是卓越的。

攻击者如何获取您的财务信息

假设您需要汽油,并且已经在平常的车站停了下来。您将信用卡滑入插槽后,设备将像往常一样显示“快速删除卡”。但是,您可能还没有注意到插槽上安装的微型硬件,看上去与通常的插槽相同,在您经过时会读取您的信用卡号。

或者,假设您收到来自Alerts@weIlsfargo的电子邮件,内容为“我们已检测到您帐户中的可疑活动,您最近是否在亚马逊上花费了5000美元?”有一个带您进入网站的按钮,并且在页脚中显示一条消息,指出“出于任何原因,请勿将您的帐户凭据提供给任何人。富国银行绝不会在电子邮件中要求您提供个人信息。”当您访问该网站时,它看起来与您期望的完全一样,因此您输入密码,黑客即可访问您的帐户。您是否注意到,富国银行的拼写是:一个小写的“ L”和一个大写的“ i”?

一旦攻击者可以访问,他们就可以在没有您允许的情况下花费您的钱;只要单个交易的规模不大,大多数人就很少注意到。或更糟糕的是,攻击者可以一口气清除您的帐户,然后再知道发生了什么。

异常检测方法

公司利用机器学习来每天监控电子邮件,登录尝试,个人交易和业务活动。大多数金融机构使用一种称为异常检测的AI,通过该过程,计算机可以将消费者帐户中的活动分类为典型或可疑活动。

时间序列数据的分析可用于异常检测。它通过将消费者的交易与其自己最近的交易历史进行比较来工作。它通常考虑诸如消费者位置,交易位置,商人位置,商人类型,货币数量,一年中的时间等参数。如果可疑活动的可能性超过某个阈值,它将警告人类使用者危险。另外,对于很高的概率,它可能会自动阻止交易。

例如,您可能有一个每周在餐厅消费30美元的历史记录。如果您突然突然每周在餐厅花费100美元,则AI可能会在假期期间正常进行此更改,但在一年中的其他时间可能会造成危险。

为了使这些模型有效,高质量的训练数据至关重要。训练数据用于教导模型如何将交易分类为异常。主题专家通过手动识别可疑活动来帮助计算机学习。然后,机器使用从训练数据中学到的复杂知识对新数据进行预测。

问题在于,攻击者正在不断创新以摆脱计算机的新技术。另一种异常检测称为无监督异常检测,可以帮助我们铲除新出现的滥用模式。无监督离群检测的目标不是帮助人类从训练数据中学习专业知识,而是帮助他们发现他们以前从未见过的模式。

考虑一个经常贩卖现金超过一百万美元的贩毒组织。如果他们要直接存钱,则将检测并阻止该交易。但是,相反,他们可以创建“空壳”公司,假装提供服务以换取非法现金。没有实际的业务需求发生。这种技术是洗钱的一个例子。

在这种情况下,AI不会尝试根据过去的培训数据将个人交易识别为犯罪,而是会尝试定义具有相似行为模式的公司集团。这种AI可能会发现一大批照常营业的公司,但也可能会发现散布在较小的公司中,这些公司全部位于避税天堂,这些公司都是最近成立的,所有客户相对较少,所有公司都有通过检查AI所发现的分组,金融行业的安全专家可以调查是否有任何组或不属于组的异常值可能与洗钱计划相对应。这样,我们可以了解罪犯如何组织自己。

人工智能的未来

异常检测(尤其是在使用深度学习技术时)的挑战之一是,有时很难理解为什么某些交易或公司被选为可疑。严格来说,该机器仅产生分组和异常,因此需要专业人员来解释结果。但是,如果AI不仅可以告诉我们异常是什么,还可以告诉我们为什么将其归类为异常怎么办?这种新兴学科被称为可解释AI(XAI)。

让我们回到我们去餐馆的例子。当今的AI可能会发送电子邮件来提醒您您的帐户发生了异常活动,而XAI不仅会警告您,而且还告诉您该交易已被标记,因为它发生在异常的一天或异常的位置。有了这些信息,您将可以更好地评估电子邮件是否值得关注。

金融业安全和人工智能的未来将涉及从更大,更复杂的数据量中学习。随着我们收集有关用户行为方式的越来越多的信息,AI萌芽的力量不断增强。我们掌握的数据越多,我们就可以越准确地检查可疑行为。在当今世界,收集和存储的数据量几乎每年翻一番的世界中,人工智能对于确保我们安全的见解至关重要。

【云栖号在线课堂】每天都有产品技术专家分享!
课程地址:https://yqh.aliyun.com/live

立即加入社群,与专家面对面,及时了解课程最新动态!
【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK

原文发布时间:2020-06-23
本文作者:AI国际站
本文来自:“51CTO”,了解相关信息可以关注“51CTO

相关文章
|
13天前
|
机器学习/深度学习 人工智能 算法
猫狗宠物识别系统Python+TensorFlow+人工智能+深度学习+卷积网络算法
宠物识别系统使用Python和TensorFlow搭建卷积神经网络,基于37种常见猫狗数据集训练高精度模型,并保存为h5格式。通过Django框架搭建Web平台,用户上传宠物图片即可识别其名称,提供便捷的宠物识别服务。
159 55
|
1月前
|
机器学习/深度学习 人工智能 物联网
通义灵码在人工智能与机器学习领域的应用
通义灵码不仅在物联网领域表现出色,还在人工智能、机器学习、金融、医疗和教育等领域展现出广泛应用前景。本文探讨了其在这些领域的具体应用,如模型训练、风险评估、医疗影像诊断等,并总结了其提高开发效率、降低门槛、促进合作和推动创新的优势。
通义灵码在人工智能与机器学习领域的应用
|
11天前
|
机器学习/深度学习 传感器 人工智能
人工智能与机器学习:改变未来的力量####
【10月更文挑战第21天】 在本文中,我们将深入探讨人工智能(AI)和机器学习(ML)的基本概念、发展历程及其在未来可能带来的革命性变化。通过分析当前最前沿的技术和应用案例,揭示AI和ML如何正在重塑各行各业,并展望它们在未来十年的潜在影响。 ####
71 27
|
4天前
|
人工智能 搜索推荐 决策智能
不靠更复杂的策略,仅凭和大模型训练对齐,零样本零经验单LLM调用,成为网络任务智能体新SOTA
近期研究通过调整网络智能体的观察和动作空间,使其与大型语言模型(LLM)的能力对齐,显著提升了基于LLM的网络智能体性能。AgentOccam智能体在WebArena基准上超越了先前方法,成功率提升26.6个点(+161%)。该研究强调了与LLM训练目标一致的重要性,为网络任务自动化提供了新思路,但也指出其性能受限于LLM能力及任务复杂度。论文链接:https://arxiv.org/abs/2410.13825。
29 12
|
24天前
|
机器学习/深度学习 人工智能 算法
人工智能浪潮下的编程实践:构建你的第一个机器学习模型
在人工智能的巨浪中,每个人都有机会成为弄潮儿。本文将带你一探究竟,从零基础开始,用最易懂的语言和步骤,教你如何构建属于自己的第一个机器学习模型。不需要复杂的数学公式,也不必担心编程难题,只需跟随我们的步伐,一起探索这个充满魔力的AI世界。
44 12
|
1月前
|
机器学习/深度学习 人工智能 数据挖掘
打破传统:机器学习与神经网络获2024年诺贝尔物理学奖引发的思考
诺贝尔物理学奖首次授予机器学习与神经网络领域,标志该技术在物理学研究中的重要地位。本文探讨了这一决定对物理学研究的深远影响,包括数据分析、理论物理突破及未来科研方向的启示,同时分析了其对学术跨界合作与全球科研产业的影响。
54 4
|
1月前
|
机器学习/深度学习 数据采集 算法
机器学习在医疗诊断中的前沿应用,包括神经网络、决策树和支持向量机等方法,及其在医学影像、疾病预测和基因数据分析中的具体应用
医疗诊断是医学的核心,其准确性和效率至关重要。本文探讨了机器学习在医疗诊断中的前沿应用,包括神经网络、决策树和支持向量机等方法,及其在医学影像、疾病预测和基因数据分析中的具体应用。文章还讨论了Python在构建机器学习模型中的作用,面临的挑战及应对策略,并展望了未来的发展趋势。
125 1
|
1月前
|
机器学习/深度学习 自然语言处理 算法
深入理解机器学习算法:从线性回归到神经网络
深入理解机器学习算法:从线性回归到神经网络
|
1月前
|
机器学习/深度学习 人工智能 算法
人工智能与机器学习的融合之旅
【10月更文挑战第37天】本文将探讨AI和机器学习如何相互交织,共同推动技术发展的边界。我们将深入分析这两个概念,了解它们是如何互相影响,以及这种融合如何塑造我们的未来。文章不仅会揭示AI和机器学习之间的联系,还会通过实际案例展示它们如何协同工作,以解决现实世界的问题。
|
1月前
|
机器学习/深度学习 人工智能 算法
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络
垃圾识别分类系统。本系统采用Python作为主要编程语言,通过收集了5种常见的垃圾数据集('塑料', '玻璃', '纸张', '纸板', '金属'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对图像数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。然后使用Django搭建Web网页端可视化操作界面,实现用户在网页端上传一张垃圾图片识别其名称。
84 0
基于Python深度学习的【垃圾识别系统】实现~TensorFlow+人工智能+算法网络