大多数人认为欺诈的第一个领域是金融。
这不仅包括诈骗者，还包括银行和交易在内的各种攻击。
关于如何使用人工智能（AI）解决更广泛的欺诈领域（例如药物处方欺诈），已经有很多讨论。
去年，在线市场和交付服务的使用已大大增加。
这些地区的欺诈也有所增加。
出于与AI在其他领域中使用相同的原因，将AI应用于这些问题。
在线市场上最简单的欺诈方法之一是注册多个帐户并发布虚假列表。
标准程序技术经常会因垃圾邮件处理不善的原因而失败-帖子中的文本表示欺诈，并且要求AI理解文本并对帖子进行分类以防止可能的欺诈。
零工经济与电子商务密切相关，是另一个需要解决现代欺诈问题的领域。
已经为客户，企业和交付驱动程序创建了多个平台，其中餐饮服务就是一个很好的例子。
识别财务欺诈和相关欺诈的最大挑战是这种情况很少见。
技术术语稀疏吗？欺诈的另一个关键方面是欺诈者继续发明新方法。
当发生规则外或标记事件时，基于规则的系统和受监督的学习型AI将会失败。
这就是为什么无监督模型始终是欺诈中的关键组成部分，因为它可以在不知道异常交易的情况下对其进行检测。
电子商务和实物交付是一个有趣的分析领域。
在大流行之前，这是一个增长中的部门，但去年有了巨大的增长，这对敌对行动者非常有吸引力。
“作为电子商务平台客户的我们的欺诈活动有所增加，” DataVisor首席执行官谢英莲表示。
“例如，组织小组已在买方，卖方和交付公司之间进行协调，以进行从未交付的欺诈性购买，以便在平台上付款”。
尽快识别欺诈性交易很重要，但是还有其他问题。
误报。
优质客户服务的一部分不会中止客户的交易，因为它超出了她的正常购买模式。
一种方法是认识到欺诈很少在单个帐户中发生。
AI可以寻找模式，例如在短时间内识别从相同或相似IP地址创建的多个帐户。
结果可能是那些帐户比单个帐户或现有帐户更关注交易。
但是，此方法并不完美（似乎有一个完美的方法...）。
平台或行业的类型将影响AI的响应方式。
目标是尽可能实现自动化。
谢女士说：“社交媒体平台上有很多交流”。
“对这些内容进行大量的人工审查是不现实的，因此业界主要希望采取自动行动。
对于金融机构而言，鉴于交易的重要性，它们更愿意接受人工检查以限制误报。
但是，趋势和客户体验要求也越来越多地实时驱动所有交易，而无需进行人工检查。
电子商务介于其他两个示例之间。
该系统的核心是通过无监督学习训练的神经网络。
但是，正如经常提到的那样，人工智能是一种工具，甚至是工具带，而不是唯一使用的人工智能。
确实存在规则，可以简化对模式的理解，同时可以使用较低的计算开销。
一些标准的欺诈模式也可以用于某些监督学习中。
这不是纯粹为了技术而做出的选择。
现有系统的操作员习惯于规则。
由于功能工程是AI的一个具有挑战性的方面，因此人们经常开始添加AI系统而忽略它。
因此，使用现有功能和规则可以加快任何系统的ROI。