幾年前，一名遊客在墨西哥使用信用卡從自動櫃員機提款。他回到家查看信用卡帳單時發現，這張卡還被用來購買了幾件珠寶。這很奇怪：他不僅在度假期間沒有用這張卡買任何東西，而且這筆交易發生在 ATM 取款後五分鐘——在全國另一端的一家商店。

幸運的是，在審查了他的案件後，他所在銀行的一個團隊同意——儘管他們的AI欺詐檢測工具沒有將這筆交易標記為可疑——但他本人購買珠寶的可能性極低，因此他們退還了這筆款項。隨著調查的深入，該團隊確定詐騙分子可能從隱藏在 ATM 機中的讀卡機竊取了他的信用卡訊息，並將其發送給了位於東海岸的同夥。

現代支付方式的便利性、速度和匿名性催生了此類詐欺計劃，其規模之大，人類根本無法應對。幸運的是，他們不必這樣做，因為人工智慧應用程式現在可以監控每一筆交易，並監視整個卡網路是否有攻擊。這些人工智慧模型處理資料的效率比任何人類都要高。

萬事達卡多年來一直利用人工智慧進行詐欺檢測，目前每年利用人工智慧保護超過 1590 億筆交易，防止數十億美元的詐欺損失。去年，萬事達卡收購了 Recorded Future ，該公司利用人工智慧每天分析數百萬個數據點，識別出預示潛在威脅的模式和異常情況。

但就像人類需要人工智慧一樣，人工智慧也需要人類。雖然自動化工具可以完成繁重的工作，但為了使結果有用，開發人員必須不斷提供現實背景——透過識別新的詐欺類型，確定如何在不擾亂更大網路的情況下防止欺詐，並將新規則編程到演算法中。正是人類的投入，將原始的人工智慧能力轉化為相關且實用的智慧。

萬事達卡安全解決方案全球主管約翰·格伯表示，隨著人工智慧和機器學習模型變得越來越強大，人們很容易認為僅憑技術就能超越當今的網路犯罪分子。「但是，在每一個警報、異常或標記的交易背後，都有一個演算法無法複製的關鍵的、漸進的層面：人類的判斷。當人類的判斷與人工智慧結合時，才能真正發揮其效用，並確保其始終保持負責任的態度。 」

雖然人工智慧旨在從海量資料中識別細微的模式，但它並不總是能夠處理異常值。如果沒有人為監督，意外事件可能會導致漏報、誤報和其他偏差。

「即使有了這些強大的工具，你仍然需要人，」萬事達卡詐欺和風險決策業務市場交付總監文斯·豪洛特說。“你必須理性看待問題，並考慮具體情況，才能確保人工智慧的回應是有效的。”

例如，人工智慧系統監控了這位旅行者在墨西哥度假期間的信用卡使用情況。但人工智慧需要人類告訴它，在國家兩端短時間內發生的兩筆交易有些蹊蹺，也需要人類向它展示如何在未來留意類似事件。

為了防止這種詐騙行為影響其他客戶，當時在Brighterion AI 平台擔任程式設計師的 Haulotte 創建了一條新規則，該規則會標記地理位置上不可能的交易。Brighterion 全天候即時監控信用卡交易，並根據交易的風險程度進行評分；當交易被標記為可能有詐欺行為時，系統會立即通知持卡人的銀行。（每家銀行都可以自訂評分閾值，以此作為採取行動的依據，例如發送警報甚至拒絕交易。）

Safety Net是萬事達卡的另一款產品，它利用人工智慧技術監控整個卡片網絡，以發現攻擊跡象。例如，如果一個網站在短時間內湧入成千上萬個新帳戶，可能是因為詐騙分子透過暴力破解的方式向該網站發送垃圾郵件，試圖猜測有效的銀行卡號。

當然，人工智慧模型並不知道這一點；它可能無法理解人類行為的細微之處。因此，當成功的促銷活動（例如網路星期一）導致網站流量激增時，它也可能發出危險信號。要認識這種差異，就需要人類的參與了。

Safety Net 產品開發總監 Brett Thomson 表示：“如果出現如此多的真實交易，我會與客戶經理合作，了解情況，並採取預防措施，防止誤報。”“你得給人工智慧一些方向。”

由於犯罪策略不斷演變，人類的專業知識對於識別新的威脅和確定如何阻止它們也至關重要。一旦詐騙分子意識到他們的策略不再奏效，他們就會設計新的騙局。但由於人工智慧是根據過去的數據進行訓練的，因此監控工具並不總是能立即發現這些新模式。因此，這就需要人類開發人員不斷更新、訓練演算法，進行一場持續的貓鼠遊戲。

“在我們採取緩解措施之後，他們就會改變策略。”「然後我們會注意到這種策略，並增加新的緩解措施，」湯姆森說。“我們之間一直處於拉鋸戰狀態，每個人都在觀察對方對下一步發展的反應。”

這種持續不斷的動態確保了湯姆遜、豪洛特及其業內同行在打擊詐欺方面繼續發揮關鍵作用。

「騙子的膽大妄為和想像力總是讓我感到驚訝，」豪洛特說。“欺詐手段層出不窮，我們必須不斷開發新的解決方案來保持領先地位。”我們的工作永不停歇。