AI Case Studies
ลดความสูญเสียจากธุรกรรมฉ้อโกงด้วยระบบตรวจจับแบบเรียลไทม์
ธนาคารพาณิชย์ขนาดใหญ่แห่งหนึ่งเผชิญกับความสูญเสียจากธุรกรรมฉ้อโกงที่เพิ่มขึ้นต่อเนื่องในช่วงหลายปีที่ผ่านมา ขณะที่ระบบตรวจจับเดิมอาศัยกฎเกณฑ์ตายตัวซึ่งตรวจจับรูปแบบใหม่ของการฉ้อโกงได้ช้าและมีอัตราการแจ้งเตือนผิดพลาดสูง ส่งผลให้ทีมตรวจสอบต้องใช้เวลาจำนวนมากไล่ตรวจสอบธุรกรรมที่ไม่ได้เป็นการฉ้อโกงจริง ขณะที่ธุรกรรมฉ้อโกงบางส่วนกลับหลุดผ่านการตรวจจับไปได้
ทีมของเราเริ่มต้นด้วยการวิเคราะห์ข้อมูลธุรกรรมย้อนหลังหลายปีเพื่อทำความเข้าใจรูปแบบการฉ้อโกงที่เกิดขึ้นจริงในบริบทของธนาคารแห่งนี้โดยเฉพาะ แทนที่จะนำแบบจำลองสำเร็จรูปจากอุตสาหกรรมอื่นมาใช้ตรงๆ กระบวนการนี้รวมถึงการสัมภาษณ์ทีมตรวจสอบเพื่อทำความเข้าใจสัญญาณเตือนที่ผู้เชี่ยวชาญใช้ในการพิจารณาแต่ละกรณี
จากนั้นออกแบบระบบตรวจจับที่ผสมผสานแบบจำลองการเรียนรู้ของเครื่องกับกฎเกณฑ์ทางธุรกิจที่ธนาคารใช้อยู่ เพื่อให้ระบบสามารถปรับตัวตามรูปแบบการฉ้อโกงใหม่ได้ ขณะเดียวกันยังคงความโปร่งใสในการอธิบายเหตุผลของการแจ้งเตือนแต่ละครั้งให้ทีมตรวจสอบเข้าใจได้ ระบบถูกทดสอบในสภาพแวดล้อมจำลองเป็นเวลาหลายเดือนก่อนนำไปใช้งานจริงกับธุรกรรมทั้งหมด เพื่อให้มั่นใจว่าจะไม่สร้างผลกระทบต่อลูกค้าที่ทำธุรกรรมโดยชอบ
ในระหว่างการพัฒนา ทีมงานให้ความสำคัญเป็นพิเศษกับการปรับสมดุลระหว่างความไวในการตรวจจับกับอัตราการแจ้งเตือนที่ผิดพลาด เนื่องจากหากระบบไวเกินไปจะสร้างภาระงานให้ทีมตรวจสอบและอาจกระทบประสบการณ์ของลูกค้าที่ทำธุรกรรมปกติ ขณะที่หากไวน้อยเกินไปก็จะไม่สามารถป้องกันความสูญเสียได้อย่างมีประสิทธิภาพ
ผลลัพธ์และบทเรียนที่ได้รับ
หลังนำระบบไปใช้งาน ธนาคารสามารถตรวจจับธุรกรรมฉ้อโกงได้เร็วขึ้นอย่างมีนัยสำคัญ พร้อมลดอัตราการแจ้งเตือนผิดพลาดที่เคยสร้างภาระงานให้ทีมตรวจสอบจำนวนมาก ทีมตรวจสอบสามารถโฟกัสกับเคสที่มีความเสี่ยงสูงจริงได้มากขึ้น และใช้เวลาต่อกรณีน้อยลงเนื่องจากระบบให้ข้อมูลประกอบการตัดสินใจที่ชัดเจน
ธนาคารยังรายงานว่ามูลค่าความสูญเสียเฉลี่ยต่อกรณีฉ้อโกงลดลง เนื่องจากระบบสามารถตรวจพบและระงับธุรกรรมที่มีความเสี่ยงได้เร็วกว่าเดิมมาก ก่อนที่ความเสียหายจะขยายวงกว้าง ทีมบริหารความเสี่ยงของธนาคารจึงสามารถนำทรัพยากรที่เคยใช้จัดการความสูญเสียไปลงทุนในด้านอื่นที่สร้างมูลค่าเพิ่มให้กับลูกค้าได้มากขึ้น
บทเรียนสำคัญจากโครงการนี้คือความจำเป็นของการรักษาสมดุลระหว่างความแม่นยำของแบบจำลองกับความสามารถในการอธิบายผลลัพธ์ เนื่องจากทีมตรวจสอบและหน่วยงานกำกับดูแลต้องสามารถเข้าใจเหตุผลเบื้องหลังการตัดสินใจของระบบได้เสมอ การเลือกใช้แบบจำลองที่แม่นยำที่สุดโดยไม่คำนึงถึงความสามารถในการอธิบายผลจึงไม่ใช่ทางเลือกที่เหมาะสมสำหรับอุตสาหกรรมที่มีการกำกับดูแลเข้มงวดเช่นนี้
อีกบทเรียนหนึ่งคือความสำคัญของการปรับปรุงแบบจำลองอย่างต่อเนื่อง เนื่องจากรูปแบบการฉ้อโกงเปลี่ยนแปลงไปตามเวลาเมื่อผู้กระทำการฉ้อโกงปรับวิธีการเพื่อหลีกเลี่ยงการตรวจจับ ธนาคารจึงต้องมีกระบวนการติดตามประสิทธิภาพของระบบและปรับปรุงแบบจำลองอย่างสม่ำเสมอ ไม่ใช่การพัฒนาเพียงครั้งเดียวแล้วปล่อยให้ทำงานตลอดไป
