Finanční svět čelí neustále se vyvíjející hrozbě v podobě sofistikované kriminality, od podvodů s platebními kartami až po komplexní schémata praní špinavých peněz (AML). Tradiční metody detekce, založené na statických pravidlech a manuální kontrole, již dávno nestačí tempu a vynalézavosti podvodníků. Na scénu proto vstupuje umělá inteligence (AI) a strojové učení (ML), které představují významnou posilu v obraně finančních operací.
Základní síla AI v této oblasti spočívá v její schopnosti analyzovat obrovské objemy dat v řádu milisekund a identifikovat vzorce chování, které by lidskému analytikovi nejspíše unikly. Zatímco starší systémy kontrolovaly transakce proti předem definovaným pravidlům, jako je například neobvykle vysoká částka nebo transakce z rizikové země, moderní ML modely jdou mnohem dál. Využívají takzvané behaviorální analýzy. Systém se učí, jak vypadá typické chování klienta, kdy a kde obvykle nakupuje, jaké částky utrácí, z jakého zařízení se přihlašuje, nebo dokonce i jak rychle píše heslo. Významná odchylka od této naučené „normy“ je označena jako potenciální riziko a prověřována. Tento přístup, známý jako detekce anomálií, snižuje počet falešně pozitivních nálezů, kdy je legitimní transakce mylně zablokována.
V bankovnictví se AI stala klíčovým nástrojem pro prevenci podvodů s platebními kartami a online bankovnictvím. Systémy dokáží v reálném čase vyhodnotit stovky proměnných u každé platby a rozhodnout o jejím schválení či zamítnutí dříve, než je transakce dokončena. V oblasti AML pak AI pomáhá odhalovat složité sítě, kde jsou peníze z trestné činnosti „prány“ přes mnoho účtů v různých zemích. Dokáže identifikovat jemné vazby a nestandardní toky financí, které by v obrovském množství dat zůstaly skryty.
Pojišťovnictví zažívá podobnou transformaci. Strojové učení se zde uplatňuje především při detekci podvodů při hlášení pojistných událostí. AI analyzuje textové zprávy o nehodách, fotografie poškození i historii klienta a hledá nesrovnalosti nebo znaky typické pro podvodné jednání. Může například odhalit, že fotografie z nehody byly staženy z internetu nebo že se popis události neshoduje s typem poškození. Tímto způsobem mohou pojišťovny ušetřit značné prostředky a chránit tak poctivé klienty před navyšováním pojistného.
