การตรวจจับการฉ้อโกงด้วย AI ในปี 2026: สถาบันการเงินจะรักษาความปลอดภัยธุรกรรมแบบเรียลไทม์ได้อย่างไร

การตรวจจับการฉ้อโกงแบบเรียลไทม์กำลังเปลี่ยนแปลงอย่างรวดเร็ว เนื่องจากระบบการชำระเงินแบบเรียลไทม์แทบไม่มีช่วงเวลาสำหรับการกู้คืน การอัปเดตที่สำคัญเกิดขึ้นเมื่อวันที่ 2 กันยายน 2026 เมื่อ Visa ประกาศบริการ A2A Protect ที่ได้รับการปรับปรุง ซึ่งผสานรวมเทคโนโลยีของ Visa และ Featurespace เข้าด้วยกันเป็นคะแนนการฉ้อโกงแบบครบวงจรสำหรับการชำระเงินระหว่างบัญชี ประเด็นสำคัญไม่ใช่ว่าผลิตภัณฑ์เดียวจะแก้ปัญหาการฉ้อโกงได้ แต่การเปลี่ยนแปลงในวงกว้างคือสถาบันการเงินกำลังผสานรวม AI ระดับธุรกรรมเข้ากับสัญญาณพฤติกรรมและข้อมูลอัจฉริยะของเครือข่ายมากขึ้นเรื่อยๆ ก่อนที่เงินจะออกจากบัญชี

เรื่องนี้สำคัญเพราะปัจจุบันการชำระเงินสามารถโอนจากผู้ส่งไปยังผู้รับได้ภายในไม่กี่วินาที ธนาคารไม่สามารถรอให้กระบวนการประมวลผลแบบกลุ่มข้ามคืนเสร็จสิ้นเพื่อตัดสินว่าการโอนเงินนั้นน่าสงสัยหรือไม่ ระบบป้องกันการฉ้อโกงต้องรวบรวมสัญญาณ ประเมินความเสี่ยง ใช้มาตรการ และเลือกดำเนินการภายในกรอบเวลาการอนุมัติหรือการชำระเงิน ในขณะเดียวกันก็ต้องอนุมัติธุรกรรมที่ถูกต้องได้อย่างรวดเร็วด้วย

ประกาศของ Visa ในเดือนกันยายน 2026 มีอยู่ในเอกสาร A2A Protectซึ่งเป็นตัวอย่างหนึ่งของการเปลี่ยนแปลงในอุตสาหกรรมที่กว้างขึ้นไปสู่การตัดสินใจแบบเรียลไทม์โดยอาศัยข้อมูลจากเครือข่าย แทนที่จะพึ่งพากฎเกณฑ์คงที่ภายในสถาบันเดียวเท่านั้น

ระบบตรวจจับการฉ้อโกงด้วย AI ทำงานอย่างไรกันแน่

การตรวจจับการฉ้อโกงด้วย AI คือการใช้แบบจำลองทางสถิติและแบบจำลองการเรียนรู้ของเครื่องจักรเพื่อประเมินว่ากิจกรรมนั้นถูกต้องตามกฎหมายหรือน่าสงสัย ในด้านการชำระเงิน แบบจำลองนี้มักจะไม่ทำงานเพียงลำพัง โดยปกติแล้วจะทำงานอยู่ภายในระบบการตัดสินใจที่ใหญ่กว่า ซึ่งรวมถึงกฎเกณฑ์ที่แน่นอน การควบคุมการตรวจสอบสิทธิ์ ข้อจำกัดด้านความเร็ว การลงโทษหรือการตรวจสอบการปฏิบัติตามกฎระเบียบ และการตรวจสอบโดยมนุษย์ด้วย

สำหรับการชำระเงินด้วยบัตร สถาบันการเงินอาจกำลังตัดสินใจว่าจะอนุมัติ ปฏิเสธ หรือขอการยืนยันตัวตนที่เข้มงวดมากขึ้น สำหรับการโอนเงินระหว่างบัญชีแบบทันที สถาบันการเงินอาจกำลังตัดสินใจว่าจะอนุญาตให้ชำระเงิน ระงับการชำระเงินในกรณีที่ระบบการชำระเงินและกฎหมายอนุญาต ขอการยืนยันเพิ่มเติมจากลูกค้า หรือส่งเรื่องไปยังทีมป้องกันการฉ้อโกง

ภาพรวมระบบตรวจจับการฉ้อโกงด้วย AIของ Visa ในปัจจุบันอธิบายถึงระบบแบบเรียลไทม์ที่วิเคราะห์ข้อมูลการทำธุรกรรมและพฤติกรรม แทนที่จะพึ่งพากฎเกณฑ์หรือบัญชีดำแบบคงที่เพียงอย่างเดียว โครงสร้างพื้นฐานนี้มีความทนทานแม้ว่าโมเดลและผู้ให้บริการเฉพาะจะเปลี่ยนแปลงไปก็ตาม

เหตุใดการชำระเงินแบบเรียลไทม์จึงเพิ่มความเสี่ยง

โปรแกรมป้องกันการฉ้อโกงแบบดั้งเดิมมีเวลามากกว่าในการตรวจสอบกิจกรรมที่ผิดปกติหลังจากเกิดเหตุการณ์ขึ้นแล้ว การชำระเงินแบบทันทีช่วยลดระยะเวลาดังกล่าวลง ตัวอย่างเช่น บริการ FedNow ของธนาคารกลางสหรัฐฯ อนุญาตให้สถาบันที่เข้าร่วมส่งและรับเงินได้ตลอด 24 ชั่วโมง โดยผู้รับสามารถเข้าถึงเงินได้ทันที

ในเดือนมิถุนายน ปี 2025 หน่วยงานบริการทางการเงินของธนาคารกลางสหรัฐ (Federal Reserve Financial Services) ได้เพิ่มฟีเจอร์การกำหนดเกณฑ์กิจกรรมบัญชีลงใน FedNow สถาบันที่เข้าร่วมสามารถกำหนดเกณฑ์มูลค่าเงินและจำนวนธุรกรรมตามกลุ่มลูกค้าได้ นี่เป็นตัวอย่างที่มีประโยชน์ของการป้องกันการฉ้อโกงในยุคปัจจุบัน: AI เป็นเพียงชั้นหนึ่ง ในขณะที่การควบคุมแบบง่ายๆ เช่น การจำกัดจำนวนเงินและความถี่ ยังคงมีคุณค่าเพราะรวดเร็ว โปร่งใส และง่ายต่อการผสานรวมกับคะแนนจากแบบจำลอง ดูประกาศของหน่วยงานบริการทางการเงินของธนาคารกลางสหรัฐ (Federal Reserve Financial Services )

ระบบตรวจจับการฉ้อโกงแบบเรียลไทม์

1. บันทึกบริบทของการทำธุรกรรม

ระบบเริ่มต้นด้วยข้อมูลการชำระเงิน: จำนวนเงิน ร้านค้าหรือผู้รับ เวลา ช่องทาง ประเภทการชำระเงิน สกุลเงิน และรหัสบัญชี การซื้อของชำมูลค่า 12 ดอลลาร์และการโอนเงินให้ผู้รับใหม่มูลค่า 12,000 ดอลลาร์ไม่ควรเข้าสู่เส้นทางการตัดสินใจเดียวกันเพียงเพราะทั้งสองเป็นการชำระเงินเหมือนกัน

2. เพิ่มสัญญาณพฤติกรรมและสัญญาณอุปกรณ์

การชำระเงินจะถูกเปรียบเทียบกับพฤติกรรมการใช้งานบัญชีล่าสุด ข้อมูลที่เป็นประโยชน์อาจรวมถึงประวัติการเข้าสู่ระบบ ข้อมูลระบุตัวตนของอุปกรณ์ ลักษณะเฉพาะของ IP หรือเครือข่าย ความสอดคล้องของตำแหน่งทางภูมิศาสตร์ ระยะเวลาตั้งแต่มีการเปลี่ยนแปลงรหัสผ่านหรือรายละเอียดการติดต่อ อายุของบัญชี ความเร็วในการทำธุรกรรม ผู้รับเงินรายก่อนหน้า และจำนวนเงินที่ชำระโดยทั่วไป

คุณสมบัติเหล่านี้ช่วยแยกแยะ "ความผิดปกติ" ออกจาก "การฉ้อโกง" การที่ลูกค้าซื้อตั๋วเครื่องบินจากต่างประเทศอาจดูผิดปกติหากพิจารณาเพียงอย่างเดียว แต่จะดูปกติเมื่อระบบเห็นประวัติการจองการเดินทางล่าสุด อุปกรณ์ที่ใช้ และความสัมพันธ์กับผู้ถือบัตรมาอย่างยาวนาน

3. เพิ่มระบบอัจฉริยะเครือข่าย

การฉ้อโกงบางประเภทนั้นสังเกตได้ง่ายกว่าเมื่อมองจากเครือข่ายมากกว่าภายในบัญชีเดียว บัญชีตัวกลาง การฉ้อโกงที่ประสานงานกัน ตัวตนปลอม และโครงสร้างการฟอกเงิน อาจเกี่ยวข้องกับผู้ส่งและผู้รับจำนวนมากที่กระจายอยู่ตามสถาบันต่างๆ

โครงการเฮอร์ธา (Project Hertha) ของธนาคารเพื่อการชำระหนี้ระหว่างประเทศ (BIS) ซึ่งเผยแพร่ในเดือนมิถุนายน 2025 ได้สำรวจการวิเคราะห์ธุรกรรมโดยใช้ปัญญาประดิษฐ์ (AI) สำหรับระบบการชำระเงินค้าปลีกแบบเรียลไทม์ ในการทดลองโดยใช้ชุดข้อมูลสังเคราะห์ที่มีบัญชี 1.8 ล้านบัญชีและธุรกรรม 308 ล้านรายการ การเพิ่มการวิเคราะห์ระบบการชำระเงินช่วยให้ธนาคารและผู้ให้บริการชำระเงินจำลองระบุบัญชีที่ผิดกฎหมายได้มากขึ้น 12% โดยมีการปรับปรุงการตรวจจับพฤติกรรมที่ไม่เคยพบเห็นมาก่อนถึง 26% นี่เป็นผลการทดลองบนข้อมูลสังเคราะห์ ไม่ใช่การรับประกันประสิทธิภาพของธนาคารในระบบจริง คุณค่าของโครงการนี้อยู่ที่บทเรียนด้านการออกแบบ: รูปแบบเครือข่ายสามารถเปิดเผยความสัมพันธ์ที่ธนาคารแต่ละแห่งไม่สามารถมองเห็นได้จากบัญชีแยกประเภทของตนเอง ดูรายงานโครงการเฮอร์ธาของ BIS ได้ ที่นี่

4. สร้างคะแนนความเสี่ยงอย่างน้อยหนึ่งรายการ

แบบจำลองจะแปลงคุณลักษณะต่างๆ ให้เป็นความน่าจะเป็น คะแนน หรือหมวดหมู่ความเสี่ยง สถาบันต่างๆ อาจใช้แบบจำลองหลายแบบพร้อมกัน เช่น แบบจำลองหนึ่งสำหรับกรณีการเข้ายึดบัญชี อีกแบบสำหรับกรณีการฉ้อโกงโดยไม่ใช้บัตร อีกแบบสำหรับความเสี่ยงจากการหลอกลวง และแบบจำลองเครือข่ายสำหรับความสัมพันธ์ที่น่าสงสัยของผู้รับ

คะแนนจากแบบจำลองไม่ได้เป็นตัวตัดสินขั้นสุดท้ายเสมอไป ธนาคารอาจนำไปใช้ร่วมกับกฎอื่นๆ เช่น “อุปกรณ์ใหม่ บวกผู้รับเงินใหม่ บวกจำนวนเงินสูงผิดปกติ” หรือเกณฑ์แบ่งกลุ่มลูกค้า จุดมุ่งหมายคือการสร้างสมดุลระหว่างความสูญเสียจากการฉ้อโกงกับต้นทุนในการบล็อกลูกค้าที่แท้จริง

5. วางแผนและดำเนินการ

ผลลัพธ์โดยทั่วไป ได้แก่ อนุมัติ ปฏิเสธ เพิ่มระดับการตรวจสอบสิทธิ์ ขอการยืนยัน เลื่อนเวลาหากได้รับอนุญาต หรือส่งต่อเพื่อตรวจสอบ การเพิ่มระดับการตรวจสอบสิทธิ์หมายถึงการขอหลักฐานที่เข้มงวดมากขึ้นเฉพาะเมื่อมีความเสี่ยงสูงขึ้น เช่น การยืนยันเพิ่มเติมในแอป หรือปัจจัยการตรวจสอบสิทธิ์อื่น ๆ

ระบบตัดสินใจต้องมีความเร็วเพียงพอที่จะทำงานให้สอดคล้องกับขั้นตอนการชำระเงิน โดยทั่วไปแล้วแพลตฟอร์มการอนุมัติบัตรจะตัดสินใจเรื่องความเสี่ยงภายในเวลาไม่กี่มิลลิวินาที ในขณะที่ระบบชำระเงินทันทีมักใช้เวลาเพียงไม่กี่วินาทีตั้งแต่เริ่มต้นจนถึงการชำระเงินเสร็จสิ้น

ข้อมูลสัญญาณใดสำคัญที่สุด?

กฎระเบียบยังคงมีความสำคัญควบคู่ไปกับปัญญาประดิษฐ์

การกล่าวว่ากฎเกณฑ์ล้าสมัยและใช้การเรียนรู้ของเครื่องจักรมาทดแทนนั้นเป็นเรื่องง่าย แต่ในระบบตรวจจับการทุจริตที่ใช้งานจริงนั้น มักจะเป็นการมองที่ง่ายเกินไป กฎเกณฑ์นั้นยอดเยี่ยมสำหรับเงื่อนไขที่ทราบแล้วซึ่งต้องการการดำเนินการที่แน่นอน เช่น ประเทศที่ถูกบล็อก ประเภทธุรกรรมที่เป็นไปไม่ได้ ข้อกำหนดทางกฎหมาย เหตุการณ์ซ้ำซ้อน วงเงินสูงสุด หรือมาตรการควบคุมฉุกเฉินที่เพิ่งนำมาใช้ใหม่

ปัญญาประดิษฐ์ (AI) จะมีประสิทธิภาพสูงสุดเมื่อการตัดสินใจขึ้นอยู่กับการผสมผสานของสัญญาณหรือพฤติกรรมที่ไม่สามารถแสดงออกมาได้อย่างชัดเจนด้วยรายการกฎสั้นๆ ดังนั้น สถาบันที่มีความพร้อมจึงใช้วิธีการแบบหลายชั้น: กฎสำหรับนโยบายที่ชัดเจน การเรียนรู้ของเครื่องจักรสำหรับความเสี่ยงที่ซับซ้อน การวิเคราะห์เครือข่ายสำหรับความสัมพันธ์ และการตรวจสอบโดยมนุษย์สำหรับกรณีที่คลุมเครือหรือมีผลกระทบสูง

เหตุใดผลลัพธ์ที่ผิดพลาด (False Positives) จึงเป็นตัวชี้วัดความปลอดภัยที่สำคัญ

ระบบป้องกันการฉ้อโกงที่บล็อกทุกอย่างนั้น ในทางเทคนิคแล้วมีประสิทธิภาพในการหยุดยั้งการฉ้อโกง แต่ใช้การไม่ได้ในฐานะระบบการชำระเงิน การแจ้งเตือนผิดพลาด (false positive)คือธุรกรรมที่ถูกต้องตามกฎหมายแต่ถูกจัดประเภทผิดว่าเป็นธุรกรรมที่น่าสงสัย การแจ้งเตือนผิดพลาดมากเกินไปจะสร้างความไม่สะดวกให้กับลูกค้า ค่าใช้จ่ายของศูนย์บริการลูกค้า การยกเลิกการสั่งซื้อ และการสูญเสียความไว้วางใจ

ด้วยเหตุนี้ สถาบันต่างๆ จึงติดตามมากกว่าแค่เพียงอัตราการตรวจจับการทุจริตแบบดิบๆ มาตรการที่สำคัญ ได้แก่ การสูญเสียจากการทุจริต อัตราการเรียกคืนหรือการตรวจจับ ความแม่นยำ อัตราผลบวกเท็จ อัตราการอนุมัติ อัตราความไม่สะดวกของลูกค้า ปริมาณการตรวจสอบด้วยตนเอง ความล่าช้า และต้นทุนทางการเงินของแต่ละประเภทการตัดสินใจ

เกณฑ์ที่เหมาะสมที่สุดนั้นขึ้นอยู่กับบริบท การซื้อสินค้าด้วยบัตรมูลค่า 50 ดอลลาร์อาจต้องการเกณฑ์ความคลาดเคลื่อนที่แตกต่างไปจากการโอนเงินทางธุรกิจมูลค่า 250,000 ดอลลาร์ไปยังบัญชีใหม่ ดังนั้น การควบคุมการฉ้อโกงแบบเรียลไทม์จึงเป็นปัญหาการหาค่าที่เหมาะสมที่สุด ไม่ใช่เพียงแค่ปัญหาการจำแนกประเภทเท่านั้น

การหลอกลวงเกี่ยวกับการชำระเงินแบบ Push Payment นั้นยากกว่าการฉ้อโกงโดยการขโมยข้อมูลประจำตัว

การฉ้อโกงบางประเภทค่อนข้างตรงไปตรงมา: อาชญากรขโมยข้อมูลประจำตัวและเริ่มการชำระเงินที่ลูกค้าไม่ได้อนุญาต การฉ้อโกงอีกประเภทหนึ่ง ซึ่งมักเรียกว่าการฉ้อโกงการชำระเงินแบบผลักดันที่ได้รับอนุญาต (APP)เกิดขึ้นเมื่อลูกค้าถูกหลอกให้ส่งเงินด้วยตนเอง

สำหรับ AI แล้ว การตรวจสอบแบบนี้ทำได้ยากกว่า เพราะการเข้าสู่ระบบ อุปกรณ์ การตรวจสอบสิทธิ์ และการยืนยันขั้นสุดท้าย อาจเป็นของแท้ทั้งหมด สัญญาณที่น่าสงสัยอาจปรากฏในเครือข่ายของผู้รับ การบรรยายรายละเอียดการทำธุรกรรม ความสัมพันธ์ที่ไม่ปกติระหว่างผู้รับและผู้รับ ความเร็วในการชำระเงิน หรือรูปแบบการหลอกลวงที่กว้างกว่านั้น

นี่เป็นเหตุผลหนึ่งที่ทำให้ระบบอัจฉริยะระดับเครือข่ายกำลังได้รับความสนใจมากขึ้น การเปิดตัว TRACE ของ Mastercard ในเครือข่ายการชำระเงินแบบเรียลไทม์ของฟิลิปปินส์ในปี 2025 และเครื่องมือตรวจจับการฉ้อโกง A2A ในสหราชอาณาจักร เป็นตัวอย่างของผู้ให้บริการที่พยายามระบุความเสี่ยงในหลายสถาบัน แทนที่จะมองข้อมูลของแต่ละธนาคารเป็นเหมือนเกาะที่แยกโดดเดี่ยว

การเปลี่ยนแปลงรูปแบบ: กลุ่มมิจฉาชีพเปลี่ยนแปลงรูปแบบเร็วกว่ารูปแบบคงที่

การเบี่ยงเบนของแบบจำลองเกิดขึ้นเมื่อความสัมพันธ์ทางสถิติระหว่างปัจจัยนำเข้าและผลลัพธ์ของการฉ้อโกงเปลี่ยนแปลงไปตามเวลา พฤติกรรมของผู้บริโภคเปลี่ยนแปลงไป การเปิดตัวผลิตภัณฑ์ใหม่ รูปแบบตามฤดูกาลเปลี่ยนแปลง และอาชญากรจงใจตรวจสอบระบบควบคุมเพื่อหาจุดอ่อน

สถาบันต่างๆ ตอบสนองด้วยการติดตามตรวจสอบ การฝึกอบรมซ้ำ การทดสอบแบบแชมเปี้ยน-แชนเนล การปรับเกณฑ์ การอัปเดตกฎ และการให้ข้อเสนอแนะจากกรณีการฉ้อโกงที่ได้รับการยืนยันแล้ว การติดป้ายกำกับที่ดีมีความสำคัญอย่างยิ่ง โครงการเฮอร์ธาเน้นย้ำว่าข้อมูลการฝึกอบรมที่มีการติดป้ายกำกับ วงจรป้อนกลับที่แข็งแกร่ง และอัลกอริทึมที่อธิบายได้เป็นปัจจัยสำคัญในประสิทธิภาพ

ระบบเรียลไทม์จำเป็นต้องมีมาตรการป้องกันฉลากปลอมหรือฉลากคุณภาพต่ำด้วยเช่นกัน หากลูกค้าโต้แย้งธุรกรรมที่ถูกต้องอย่างไม่ถูกต้อง หรือผู้ตรวจสอบจำแนกประเภทคดีอย่างไม่สอดคล้องกัน โมเดลอาจเรียนรู้รูปแบบที่ผิดพลาดได้

ความสามารถในการอธิบายและการตรวจสอบโดยมนุษย์ยังคงมีความสำคัญ

การตัดสินใจเกี่ยวกับการฉ้อโกงส่งผลกระทบต่อการเข้าถึงเงิน ประสบการณ์ของลูกค้า และข้อผูกพันด้านกฎระเบียบ สถาบันต่างๆ จำเป็นต้องมีคำอธิบายที่เพียงพอเพื่อให้เข้าใจว่าเหตุใดแบบจำลองจึงทำงานแตกต่างออกไป ตรวจสอบข้อผิดพลาด และให้เหตุผลในการเปลี่ยนแปลงเกณฑ์หรือนโยบาย

ความสามารถในการอธิบายไม่ได้หมายความว่าทุกแบบจำลองจะต้องเรียบง่าย แต่จำเป็นต้องมีผลลัพธ์ที่ใช้งานได้จริง เช่น สัญญาณใดที่ก่อให้เกิดความเสี่ยง กฎใดที่ทำงาน คะแนนเปลี่ยนแปลงไปอย่างไรเมื่อเวลาผ่านไป และการตัดสินใจนั้นสอดคล้องกับนโยบายที่ได้รับการอนุมัติหรือไม่

สำหรับเหตุการณ์ที่มีความเสี่ยงสูงหรือคลุมเครือ ผู้ตรวจสอบยังคงมีความสำคัญ การตรวจสอบโดยมนุษย์สามารถนำบริบทที่แบบจำลองไม่มีมาใช้ ช่วยระบุรูปแบบการฉ้อโกงที่เกิดขึ้นใหม่ และสร้างป้ายกำกับที่ดีขึ้นสำหรับการอัปเดตแบบจำลองในครั้งต่อไป

แบบจำลองปี 2026 การกำกับดูแลมีความสำคัญพอๆ กับความแม่นยำของแบบจำลอง

ในเดือนเมษายน พ.ศ. 2569 OCC, ธนาคารกลางสหรัฐ (Federal Reserve) และ FDIC ได้ออกแนวทางการบริหารความเสี่ยงแบบจำลองระหว่างหน่วยงานฉบับปรับปรุง โดยเน้นแนวทางที่อิงตามความเสี่ยง แนวทางดังกล่าวกล่าวถึงการพัฒนาและการใช้แบบจำลอง การตรวจสอบความถูกต้องและการติดตาม การกำกับดูแลและการควบคุม และแบบจำลองของบุคคลที่สาม นอกจากนี้ยังระบุว่า AI แบบสร้าง (Generative AI) และ AI แบบตัวแทน (Agentic AI) ไม่อยู่ในขอบเขตของแนวทางดังกล่าว เนื่องจากเป็นเทคโนโลยีใหม่และมีการพัฒนาอย่างรวดเร็ว

สำหรับทีมปราบปรามการฉ้อโกง บทเรียนที่สำคัญคือ โมเดลที่มีประสิทธิภาพสูงเพียงอย่างเดียวไม่เพียงพอ สถาบันต่างๆ จำเป็นต้องมีผู้รับผิดชอบที่ชัดเจน มีเอกสารระบุวัตถุประสงค์การใช้งาน การทดสอบ การตรวจสอบ การควบคุมการเปลี่ยนแปลง การกำกับดูแลข้อมูล และการกำกับดูแลโมเดลของผู้จำหน่ายอย่างเหมาะสม โปรดดูคำแนะนำเกี่ยวกับความเสี่ยงของโมเดลฉบับปรับปรุงปี 2026 ของ OCC

กรอบการบริหารความเสี่ยงด้าน AIแบบสมัครใจของ NIST ให้โครงสร้างที่ครอบคลุมหลายภาคส่วน โดยเน้นที่การกำกับดูแล การวางแผน การวัดผล และการจัดการ แม้จะไม่ใช่กฎระเบียบด้านการธนาคาร แต่ก็มีประโยชน์สำหรับการจัดระเบียบคำถามเกี่ยวกับความน่าเชื่อถือ ความโปร่งใส ความเป็นส่วนตัว ความปลอดภัย และความรับผิดชอบ

ปัญญาประดิษฐ์เชิงสร้างสรรค์เหมาะสมกับสถานการณ์ใดบ้าง และไม่เหมาะสมกับสถานการณ์ใดบ้าง

AI แบบสร้างข้อมูลเองได้สามารถช่วยนักสืบสรุปคดี ดึงข้อมูลจากบันทึก ร่างคำบรรยายการสืบสวน หรือค้นหาข้อมูลในคลังนโยบายและคดีขนาดใหญ่ได้ แต่ไม่ได้หมายความว่าแบบจำลองภาษาขนาดใหญ่ควรเป็นกลไกเดียวในการตัดสินว่าการชำระเงินนั้นถูกต้องตามกฎหมายหรือไม่

โดยทั่วไปแล้ว การให้คะแนนความเสี่ยงการฉ้อโกงแบบเรียลไทม์จะขึ้นอยู่กับแบบจำลองทางสถิติที่มีโครงสร้าง ซึ่งได้รับการปรับให้เหมาะสมสำหรับการจำแนกประเภทที่มีความหน่วงต่ำ การตรวจจับความผิดปกติ การวิเคราะห์กราฟ และคะแนนความเสี่ยงที่ปรับเทียบแล้ว ระบบสร้างข้อมูลอาจช่วยเสริมขั้นตอนการทำงาน โดยเฉพาะอย่างยิ่งหลังจากได้รับการแจ้งเตือน แต่สถาบันการเงินยังคงต้องการการควบคุมที่แน่นอนและพฤติกรรมของแบบจำลองที่วัดได้ในเส้นทางการทำธุรกรรม

สิ่งที่ลูกค้าจะได้สัมผัสเมื่อระบบทำงานได้อย่างราบรื่น

ระบบตรวจจับการฉ้อโกงด้วย AI ส่วนใหญ่ทำงานแบบมองไม่เห็น การชำระเงินปกติจะได้รับการอนุมัติโดยไม่มีขั้นตอนเพิ่มเติม การชำระเงินที่ผิดปกติเล็กน้อยอาจทำให้เกิดการยืนยันในแอป การทำธุรกรรมที่มีความเสี่ยงสูงอาจถูกปฏิเสธหรือส่งต่อเพื่อตรวจสอบ เป้าหมายคือการเพิ่มมาตรการรักษาความปลอดภัยอย่างเลือกสรร: เพิ่มมาตรการรักษาความปลอดภัยเฉพาะเมื่อความเสี่ยงนั้นคุ้มค่าเท่านั้น

สำหรับลูกค้า นั่นหมายความว่าระบบป้องกันการฉ้อโกงที่ทันสมัยที่สุดอาจให้ความรู้สึกไม่รบกวนมากเท่ากับระบบรุ่นเก่า เนื่องจากสามารถแยกแยะพฤติกรรมปกติออกจากกิจกรรมที่น่าสงสัยได้อย่างแม่นยำยิ่งขึ้น สำหรับสถาบันการเงิน ความท้าทายคือการรักษาประสบการณ์ที่ดีนั้นไว้ ในขณะเดียวกันก็ต้องตอบสนองต่อรูปแบบการฉ้อโกงใหม่ๆ ด้วยความเร็วในการชำระเงิน

สถาปัตยกรรมเชิงปฏิบัติสำหรับสถาบันการเงิน

• รวบรวมข้อมูลธุรกรรม บัญชี อุปกรณ์ และพฤติกรรมคุณภาพสูงแบบเรียลไทม์
• ใช้กฎที่แน่นอนเพื่อกำหนดนโยบายที่ชัดเจนและสภาวะที่มีความเสี่ยงสูงที่ทราบได้
• ประยุกต์ใช้แบบจำลองการกำกับดูแลและการตรวจจับความผิดปกติสำหรับความเสี่ยงในระดับธุรกรรม
• เพิ่มการวิเคราะห์กราฟหรือเครือข่ายที่ความสัมพันธ์ระหว่างผู้ส่งสารและผู้รับสารมีความสำคัญ
• รวมคะแนนในระบบตัดสินใจโดยใช้เกณฑ์เฉพาะสำหรับแต่ละกลุ่มเป้าหมาย
• ควรใช้การตรวจสอบสิทธิ์แบบหลายขั้นตอนหรือการตรวจสอบซ้ำเมื่อความเสี่ยงไม่แน่นอน แทนที่จะปฏิเสธความผิดปกติทุกอย่างโดยอัตโนมัติ
• ป้อนข้อมูลการฉ้อโกงที่ได้รับการยืนยัน การตอบสนองของลูกค้า และผลการสอบสวนกลับเข้าสู่ระบบการตรวจสอบของแบบจำลอง
• ติดตามจำนวนผลลัพธ์ที่ผิดพลาด อัตราการอนุมัติ การสูญเสียจากการฉ้อโกง ความล่าช้า และปริมาณการตรวจสอบไปพร้อมกัน
• ตรวจสอบความถูกต้องของแบบจำลองวัสดุ และติดตามการเปลี่ยนแปลง คุณภาพข้อมูล และการพึ่งพาผู้จำหน่าย
• กำหนดขั้นตอนการแจ้งปัญหาที่ชัดเจนเมื่อโมเดล ข้อมูล หรือระบบการชำระเงินล้มเหลว

ทิศทางการเดินทาง

การอัปเดต Visa A2A Protect ในเดือนกันยายน 2026, การควบคุมความเสี่ยงที่ปรับแต่งได้ของ FedNow และโครงการ Hertha ของ BIS ชี้ไปในทิศทางเดียวกัน: การป้องกันการฉ้อโกงกำลังเปลี่ยนจากกฎการทำธุรกรรมแบบแยกส่วนไปสู่ระบบอัจฉริยะแบบเรียลไทม์หลายชั้น ระบบที่แข็งแกร่งที่สุดจะผสานรวมพฤติกรรมส่วนบุคคล บริบทของบัญชี ข้อมูลจากอุปกรณ์ ความสัมพันธ์ในเครือข่าย กฎ และความเชี่ยวชาญของมนุษย์เข้าด้วยกัน

ปัญญาประดิษฐ์ (AI) ช่วยเพิ่มความสามารถในการจัดลำดับความเสี่ยงได้อย่างรวดเร็ว แต่ไม่ได้ขจัดข้อจำกัดต่างๆ ออกไป สถาบันการเงินยังคงต้องตัดสินใจว่าความยุ่งยากมากน้อยเพียงใดที่ยอมรับได้ วิธีการตรวจสอบความถูกต้องของแบบจำลอง ข้อมูลใดบ้างที่สามารถนำมาใช้ได้อย่างถูกกฎหมายและมีจริยธรรม ระบบของบุคคลที่สามอยู่ภายใต้การกำกับดูแลอย่างไร และจะเกิดอะไรขึ้นเมื่อแบบจำลองไม่แน่นอน

นั่นคือความหมายเชิงปฏิบัติของการตรวจจับการฉ้อโกงด้วย AI ในด้านการเงินแบบเรียลไทม์: ไม่ใช่เพียงแค่อัลกอริทึมเดียวที่ "รู้" การฉ้อโกง แต่เป็นระบบการตัดสินใจที่ได้รับการออกแบบมาอย่างดี ซึ่งจะแปลงหลักฐานที่เปลี่ยนแปลงอย่างรวดเร็วให้เป็นการดำเนินการที่เหมาะสมอย่างต่อเนื่อง ก่อนที่ธุรกรรมจะกลายเป็นความสูญเสียที่ไม่สามารถกู้คืนได้