「水獺叩艇」用AI打造金融詐騙偵測新系統
隨著犯罪集團擴大使用資訊科技的範疇,全球金融詐騙事件數量逐年創下新高,也成為各國政府與金融產業的頭痛問題。根據Nasdaq Verafin公布研究報告指出,2023年全球金融詐騙與銀行詐騙造成的損失估計達4,856億美元,整體非法資金流動總額高達3.1兆美元。
在「2025雲湧智生:臺灣生成式AI應用黑客松競賽」中,「水獺叩艇(Otter Coding)」團隊發現傳統金融機構防範此類事件發生時,往往依賴大量人工檢視與運用舊有模型篩選,存在既耗時又難以即時反應的痛點。
為此,團隊提出一套結合AI等多項先進技術的金融詐騙偵測系統,可全面提升金融機構的反詐欺應變能力,最終順利在競爭激烈的台新金控「金融創新」組勝出。
以AI驅動防詐新策略 精準識別可疑帳戶
為解決現行傳統防堵金融詐騙的痛點,「水獺叩艇」團隊從兩大面向著手,第一點是利用臺新銀行提供的銀行交易紀錄與基本帳戶資料,運用AI模型判斷潛在警示帳戶,以及即時標註警示帳戶,達到提升防詐警覺、降低人力負擔。第二點則是進一步透過大型語言模型反向分析現有偵測系統,找出模型優化的潛在方向,使防詐系統能持續成長、更加精準。
在完成Amazon Web Services(AWS)提供的生成式AI示範工作坊,以及分析台新銀行提供的資料內容之後,「水獺叩艇」團隊在正式比賽前一週,便利用下班時間齊聚思考AI模型設計方向,並提出資料驅動、模型優化與自動化的概念,最終決定從5大階段進行設計與建置。
首先在模型訓練階段,運用可視化資料準備工具Amazon SageMaker Data Wrangler整合交易紀錄、帳戶基本資料與警示資訊,進行特徵工程,並以XGBoost分類模型進行訓練與優化,兼顧高精準率與召回率。其次在詐騙預測階段,將交易資料轉換成特徵向量,並輸入模型進行風險評估,藉此快速識別高風險帳戶。
「水獺叩艇」團隊在第三階段的結果評估中,藉由比對預測與實際詐騙帳戶清單,計算Precision、Recall 與F1-score,並深入分析錯誤類型。在第四階段的AI分析功能部分,運用生成式AI基礎模型託管服務 Amazon Bedrock上Anthropic的Claude 3.5 Sonnet v2模型進行第二層風險分析,提出模型優化建議,協助金融專家解讀詐騙模式。
最後在雲端部署與展示階段,團隊在前端UI部分透過前端開發工具AWS Amplify部署,並將資料儲存於Amazon S3,可提供即時且直覺的視覺化分析介面。
「水獺叩艇」認為AWS的生成式AI技術示範工作坊以及DIGITIMES的活動規劃與場地準備都很完善。未來也希望在本次優勝的基礎上,在其他比賽中取得佳績。