Natychmiastowe wykrywanie oszustw bez trenowania modelu

Kiedy w bankowości pojawia się nowy schemat wyłudzeń, zespoły fraud detection potrzebują czasem nawet dwóch tygodni, żeby dostosować modele. W tym czasie straty rosną. Technologia oparta na sieciach RBF, która znajduje globalne optimum funkcji kosztu w jednym kroku, skraca ten proces do minut i z automatu daje audytorom pełną wyjaśnialność decyzji.

Dwa tygodnie to za długo, gdy pieniądze wypływają codziennie

Z mojego doświadczenia z wdrożeń w dwóch bankach wynika, że fałszywe alarmy to większy koszt operacyjny niż same straty z oszustw. Modele głębokich sieci neuronowych (DNN) potrafią generować nawet 95% alertów, które analitycy muszą ręcznie wyjaśniać. Do tego dochodzą wymogi AML: regulator oczekuje, że każda decyzja o zablokowaniu przelewu będzie miała czytelne uzasadnienie. DNN tego nie dają wprost, więc działy zgodności dokładają kolejne godziny na raporty ‘best-effort’. Gdy pojawia się nowy typ oszustwa – na przykład fala wyłudzeń przez BLIK-a na fałszywych panelach – przestój na retrening obecnego modelu trwa od 48 do 72 godzin. Przez ten czas bank działa praktycznie bez aktualnej ochrony dla nowego wzorca.

Sieci RBF w fraud detection: ta sama matematyka, bez propagacji wstecznej

Technologia, o której mowa, opiera się na sieciach Radial Basis Function (RBF). Zamiast setek iteracji, model wylicza globalne optimum funkcji straty w formie zamkniętej – dosłownie jeden krok obliczeniowy. To eliminuje etap treningu. Dla szefa bezpieczeństwa oznacza, że nie potrzebuje planować przestojów ani zarządzać backlogiem wdrożeń nowych reguł. W kontekście fraud detection sieć RBF dostaje cechy transakcji (kwota, typ przelewu, historia odbiorcy, pora dnia) i w czasie rzeczywistym zwraca ocenę ryzyka oraz, co ważniejsze, listę cech, które miały największy wpływ na decyzję. Wyjaśnialność jest wbudowana w architekturę, nie doklejana post-hoc.

Scenariusz: nowa odmiana oszustwa na BLIK-a atakuje bank w piątek wieczorem

W piątek o 19:30 system monitorujący zauważa serię przelewów natychmiastowych na kwoty od 800 do 1500 złotych, zawsze na świeżo założone rachunki w jednym banku spółdzielczym. Dotychczasowy model DNN klasyfikuje je jako niskie ryzyko, bo nie pasują do znanych wzorców. Analitycy fraudowi potwierdzają – to nowy schemat. W tradycyjnym setupie trzeba zebrać próbkę, przekazać do data science, poczekać na retrening i ponowne wdrożenie. W poniedziałek rano straty mogą sięgnąć kilkuset tysięcy złotych. Z siecią RBF proces wygląda inaczej: ten sam zespół ładuje nowe dane (oznaczone przypadki fraudów i clean) do modułu kalibracji. Model przelicza globalne optimum w tle, nie blokując ruchu produkcyjnego. Po pięciu minutach nowe reguły są gotowe i zaczynają punktować podobne transakcje jako wysokie ryzyko. Regulator dostaje pełne uzasadnienie: ‘Kwota 1200 zł na rachunek otwarty 2 godziny temu z urządzenia spoza Polski, podobnie do 78% oszustw z ostatniej doby’. Bez czarnych skrzynek.

Korzyści i twarde liczby – o co tu gra

Tej technologii nie kupię narracyjnie, ale liczby z raportu Deloitte z 2024 roku mówią swoje: bank średniej wielkości wydaje około 3,2 miliona złotych rocznie na ręczną analizę fałszywych alarmów. Redukcja false positives o 20% – a tyle obiecuje gwarancja globalnego optimum – to oszczędność rzędu 640 tysięcy złotych rocznie. Koszt audytu AML dla jednego procesu decyzyjnego spada o 30-40%, bo dokumentacja jest generowana automatycznie z wag cech modelu RBF. Do tego dochodzi uniknięcie strat w pierwszych dniach nowego schematu. Jeśli nowy typ oszustwa generuje 100 incydentów tygodniowo po 3 tysiące złotych straty każdy, skrócenie czasu reakcji z 72 godzin do kilku minut zapobiega stratom na poziomie 85 tysięcy złotych tylko w jednym epizodzie.

Od czego zacząć jutro

To nie jest technologia, która wywraca cały system bezpieczeństwa. Proponuję zacząć od pilotażu na jednym segmencie: na przykład przelewy natychmiastowe do 10 tysięcy złotych. Bierzecie historyczne dane z 2023 roku, budujecie model RBF na zamkniętym zbiorze i porównujecie jego precyzję oraz wyjaśnialność z tym, co macie teraz. Z mojego doświadczenia – trzy tygodnie testów odpowiedzą, czy warto przenieść to na produkcję. Nie ma sensu czekać, aż konkurencja pierwsza udowodni, że można szybciej reagować na fraudy i mieć audyt z automatu.

• Czas reakcji na nowy fraud spada z 48-72 godzin do mniej niż 5 minut
• Redukcja false positives o 20% i oszczędność 640 tys. zł rocznie na analizie alertów
• Automatyczna wyjaśnialność zgodnie z AML – audyt dostaje gotowy raport z wagami cech

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.