NICE Actimize’的新功能提高了检测率并阻止了实时付款欺诈

NICE ActimizeNICE的业务和自治金融犯罪管理的领导者介绍了其联合学习功能,该功能将利用NICE Actimize的集体情报网络为金融服务组织(FSO)在众多欺诈情况下提供更高的欺诈检测率。

通过使用机器学习分析的基于云的创新方法,FSO可以更有效地保护其机构免受多种欺诈类型的侵害,包括实时支付欺诈,同时改善客户体验。

传统的机器学习方法要求将整个数据集集中化。这意味着,需要有一个特定的数据库来存放数据,以使FSO能够基于此数据集构建目标分析模型。但是,FSO通常不愿意或被禁止从集中位置共享数据集。

为了克服这一挑战,NICE Actimize正在应用一种创新的去中心化人工智能方法,其中包括对在分离的数据集中学习的模型进行联合学习。这些模型是根据每个组织的自身数据分别为每个组织构建的,以后将用作所需上下文中的功能。

通过其联合学习的应用,NICE Actimize在提高价值检测率方面取得了令人瞩目的结果。事实证明,使用这种方法可以有效地简化模型治理过程。此外,由于该方法与模型无关,因此可以在适用于不同应用程序的各种NICE Actimize欺诈解决方案中应用。

使用这种分散式人工智能方法,NICE Actimize研究显示出成功的结果,包括:

  • 通过实时付款提高检测率并阻止更多欺诈行为
  • 尝试确定经常与欺诈风险相关的异常值时,通过在低欺诈率环境(例如商业电子邮件妥协和其他商业银行欺诈类型)中使用异常检测来减少误报并检测更多欺诈行为
  • 处理应用程序欺诈场景,考虑货币和非货币交易以及从数字渠道收集的数据

“With NICE Actimize’s联合学习功能,并利用其无与伦比的集体智慧,金融服务组织可以在不损害数据安全性的前提下,最大程度地利用云的功能来协同打击欺诈行为,”NICE Actimize首席执行官Craig Costigan说。

“这种使用敏捷分析的高级方法使金融服务组织能够比欺诈者更快地移动,同时提供无摩擦的客户体验。”

NICE Actimize通过其全球金融服务组织网络每天监控超过30亿笔交易。这种广泛的覆盖范围提供了重要的集体情报,并可以查看整个市场上的多种欺诈情况。

基于这种集体情报,NICE Actimize作为ActimizeWatch的一部分,提供了基于财团的欺诈分析模型,ActimizeWatch是一种基于云的托管分析服务,使用机器学习来主动优化成员的分析。

分享这个