仅在2016年，欺诈就使美国企业损失了近500亿美元。更糟糕的是，欺诈往往难以识别。

对内部欺诈的担忧削弱了对组织的信任。在某些情况下，公司实际上雇用了外部欺诈调查员。

当然，欺诈不仅限于员工的不当行为。对于在线零售商和服务提供商而言，数字欺诈是一个持续存在的普遍问题。

好消息是，机器学习为欺诈检测库提供了一种新工具。

什么是机器学习？

机器学习是人工智能的一个领域。其驱动思想是，计算机无需人对每个变量进行编程就可以学习如何分析数据。

诸如欺诈检测之类的复杂问题通常依赖于无监督学习。无监督学习利用计算机快速运行大量计算的能力。在决定任何内容之前，计算机通过算法运行数据数百或数千次。

以自动驾驶汽车为例。没有编程可以考虑道路上的每个变量，更不用说为所有变量提供正确的解决方案了。汽车接收数据，运行多次迭代，然后做出响应。

欺诈检测中的挑战

当代欺诈检测的最大挑战之一是大数据。如此大量的新数据不断涌入，使人类几乎无法处理它。只是没有足够的时间。

假设您是一家主要的在线零售商，每天处理10,000次购买。每月大约有30万笔交易，每年有数百万笔交易。您不可能对这些交易中的每一个都有人眼。

基于规则的系统可以帮助您捕获一些欺诈活动。您的系统可能会标记任何超出客户平均水平一定百分比或来自外部IP地址的购买。但是，老练的犯罪分子通常会找到解决这些问题的方法。

当发现欺诈行为在公司内部发生并且该人可以掩盖自己的足迹时，这一点会变得更加严峻。

机器学习与检测

尽管人们无法合理地筛选所有积累的大数据公司，但计算机可以筛选它。这就是机器学习的帮助。

当计算机运行算法的所有这些迭代时，它将学习如何发现异常。它可以帮助识别可能不会绊倒基于规则的系统的欺诈性购买集群。

假设罪犯掌握了一堆信用卡信息，并将其用于大量礼品卡购买。他们将礼品卡的价值保持在较低水平，以避免有关大型交易的规则。从理论上讲，机器学习可以识别出礼品卡购买中的异常增长并标记出来。

机器学习还可以找出您内部网络中的行为异常。假设某位员工从未有过的访问记录。主管可能不会注意到这一点，但是计算机会标记行为更改。

离别的想法

欺诈每年给企业造成数十亿美元的损失，这使欺诈检测成为至关重要的领域。

机器学习提供了一种发现欺诈的新工具。计算机可以将快速的计算和算法结合起来，以解决网络中购买和行为方面的异常情况。这可以帮助您避免可疑的交易并发现潜在的内部欺诈。