Книга: Искусственный интеллект на практике
Назад: 30. Viacom. ИИ ускоряет загрузку потокового видео и улучшает пользовательский опыт
Дальше: 32. Elsevier. ИИ для врачебных решений и научных исследований
 

Часть 4

Услуги, финансы и здравоохранение

 

31

American Express

ИИ ловит мошенников и улучшает пользовательский опыт

На American Express приходится 25% всех расходов по кредитным картам США. В 2017 году компания провела 1,1 трлн транзакций. По данным Forbes, это крупнейший и наиболее капитализированный бренд в сфере финансовых услуг.

Вся деятельность компании основана на данных и аналитике, но мы рассмотрим два ключевых направления: выявление мошенников и улучшение пользовательского опыта.

Какие задачи решает ИИ

Ежегодно мошеннические транзакции лишают компании и их клиентов суммы в 20 млрд долларов. Чаще всего это траты по кредиткам после кражи и подделки карт при заказе товаров и услуг через интернет и по телефону.

Объем транзакций колоссален, так что нужны мощные системы обработки платежей. Попытки мошенничества надо пресекать очень быстро, и времени на раздумья нет. Ошибочная маркировка транзакций как мошеннических доставляет неудобство клиентам, и, если это происходит слишком часто, они будут искать другие способы расчета.

Мошенники хорошо подготовлены, у них есть высокотехнологичные способы обхода защиты. Они подделывают данные о местонахождении, чтобы защитные системы считали, что транзакция происходит в другой части мира. Преступники похищают личные данные и производят транзакции от имени добропорядочных клиентов.

«Гонка вооружений» между мошенниками и банками длится не первый десяток лет. Вряд ли аферисты когда-нибудь угомонятся, но банки и кредитные компании надеются, что ИИ-технологии обеспечат клиентам спокойную жизнь.

Как применяется ИИ

Банки и другие финансовые организации — эмитенты карт и страховщики — для предотвращения мошенничества всегда использовали данные прошлых транзакций. В числе прочего признаки неправомерной операции — это необычно большие для конкретного клиента суммы или заграничные операции.

Как только мошенничество обнаружено, транзакция отслеживается, и ее характеристики в дальнейшем послужат поводом для подозрений в других случаях. Характеристики — это личные данные лица, которое выполняет транзакцию, а также место ее проведения и приобретенные товары и услуги. Финансовые организации строили модели прогнозирования правомерности будущих транзакций. Но они были очень громоздкими и не обновлялись в реальном времени.

American Express разработала ИИ-системы для обработки данных транзакций во всем мире в режиме реального времени. А значит, признаки мошенничества с той же скоростью прослеживаются и встраиваются в алгоритмы обнаружения. Доступ к большим объемам данных позволяет анализировать более сложные комплексы признаков. Даже если мошенники подделают ряд характеристик транзакции, алгоритмы достаточно быстро заметят отклонения в других признаках и пометят транзакцию как подозрительную.

Помимо этого American Express использует машинное обу­чение, чтобы улучшать пользовательский опыт — например, добавляет ценности услуг владельцам карт. Это, в числе прочего, «личный ассистент по туризму» на базе ИИ — приложение Mezi. Ассистенты в приложениях не только следят за сохранностью средств, но и советуют, на что их потратить. При этом они исходят из привычек клиента и его предыдущих покупок — как рекомендательный сервис Amazon и других онлайн-магазинов.

Технологии, инструменты и данные

Данные берутся в основном из истории транзакций и информации по конкретным клиентам, полученной во время процедуры оформления карты. Машинное обучение ежедневно отслеживает мошеннические транзакции, и ему нужны специальные решения, чтобы хранить большие объемы данных и оперировать ими. Для этого American Express пользуется распределенной инфраструктурой хранилищ Hadoop.

Из традиционных компьютерных хранилищ невозможно извлекать информацию достаточно быстро, чтобы сделать точный прогноз в сжатые сроки. В системе обнаружения мошенничества American Express использует комбинацию обу­чения с учителем и без учителя. Благодаря этому компания все эффективнее находит малейшие признаки неправомерных транзакций.

Результат

Когда алгоритмы на основе машинного обучения анализируют транзакции в реальном времени, выше вероятность выявить мошенничество.

Снижается частота ошибочных отказов авторизации. Они доставляют неудобство клиентам, и те могут предпочесть для расчетов другую платежную систему.

Больше мошеннических транзакций будет заблокировано, а значит, придется реже выплачивать компенсации. Это дополнительно снизит издержки борьбы с аферистами.

Самое главное

Назад: 30. Viacom. ИИ ускоряет загрузку потокового видео и улучшает пользовательский опыт
Дальше: 32. Elsevier. ИИ для врачебных решений и научных исследований