大多數人認為欺詐的第一個領域是金融。
這不僅包括詐騙者，還包括銀行和交易在內的各種攻擊。
關于如何使用人工智能（AI）解決更廣泛的欺詐領域（例如藥物處方欺詐），已經有很多討論。
去年，在線市場和交付服務的使用已大大增加。
這些地區的欺詐也有所增加。
出于與AI在其他領域中使用相同的原因，將AI應用于這些問題。
在線市場上最簡單的欺詐方法之一是注冊多個帳戶并發布虛假列表。
標準程序技術經常會因垃圾郵件處理不善的原因而失敗-帖子中的文本表示欺詐，并且要求AI理解文本并對帖子進行分類以防止可能的欺詐。
零工經濟與電子商務密切相關，是另一個需要解決現代欺詐問題的領域。
已經為客戶，企業和交付驅動程序創建了多個平臺，其中餐飲服務就是一個很好的例子。
識別財務欺詐和相關欺詐的最大挑戰是這種情況很少見。
技術術語稀疏嗎？欺詐的另一個關鍵方面是欺詐者繼續發明新方法。
當發生規則外或標記事件時，基于規則的系統和受監督的學習型AI將會失敗。
這就是為什么無監督模型始終是欺詐中的關鍵組成部分，因為它可以在不知道異常交易的情況下對其進行檢測。
電子商務和實物交付是一個有趣的分析領域。
在大流行之前，這是一個增長中的部門，但去年有了巨大的增長，這對敵對行動者非常有吸引力。
“作為電子商務平臺客戶的我們的欺詐活動有所增加，” DataVisor首席執行官謝英蓮表示。
“例如，組織小組已在買方，賣方和交付公司之間進行協調，以進行從未交付的欺詐性購買，以便在平臺上付款”。
盡快識別欺詐性交易很重要，但是還有其他問題。
誤報。
優質客戶服務的一部分不會中止客戶的交易，因為它超出了她的正常購買模式。
一種方法是認識到欺詐很少在單個帳戶中發生。
AI可以尋找模式，例如在短時間內識別從相同或相似IP地址創建的多個帳戶。
結果可能是那些帳戶比單個帳戶或現有帳戶更關注交易。
但是，此方法并不完美（似乎有一個完美的方法...）。
平臺或行業的類型將影響AI的響應方式。
目標是盡可能實現自動化。
謝女士說：“社交媒體平臺上有很多交流”。
“對這些內容進行大量的人工審查是不現實的，因此業界主要希望采取自動行動。
對于金融機構而言，鑒于交易的重要性，它們更愿意接受人工檢查以限制誤報。
但是，趨勢和客戶體驗要求也越來越多地實時驅動所有交易，而無需進行人工檢查。
電子商務介于其他兩個示例之間。
該系統的核心是通過無監督學習訓練的神經網絡。
但是，正如經常提到的那樣，人工智能是一種工具，甚至是工具帶，而不是唯一使用的人工智能。
確實存在規則，可以簡化對模式的理解，同時可以使用較低的計算開銷。
一些標準的欺詐模式也可以用于某些監督學習中。
這不是純粹為了技術而做出的選擇。
現有系統的操作員習慣于規則。
由于功能工程是AI的一個具有挑戰性的方面，因此人們經常開始添加AI系統而忽略它。
因此，使用現有功能和規則可以加快任何系統的ROI。