教育新闻网消费者对即时访问银行和其他金融服务的需求正在重新定义银行和金融服务公司的IT策略。
银行现在正在寻求提高创新性和敏捷性，以加快软件开发的速度，同时应对不断增加的欺诈风险并关注成本效益。
这些公司中的许多公司都将人工智能作为打击欺诈的一站式解决方案。它已被用于基于对一组预定义规则的实时差异识别，以检测金融交易中的欺诈行为。此用例的AI部署数量正在迅速增加，到2030年，AI在银行业的商业价值预计将达到3000亿美元。
但是，AI解决方案的完整集成和扩展非常复杂，必须简化架构才能实现AI的承诺。因此，跳上AI潮流是错误的;相反，组织应该仔细考虑他们要纳入的解决方案的优势和局限性。
将AI集成到欺诈检测中
现在，AI既可以作为银行技术“堆栈”的单独部分，也可以作为大型数据库管理系统的嫁接部分存在。
但是，为了提供可靠的实时欺诈检测，所有金融服务公司必须真正集成AI，以协助完成诸如交易评分(对客户交易进行分类以识别客户行为的过程)之类的任务。但是，这不是一个简单的过程。使用为批量处理大量数据而设计的软件或平台交付的AI模型无法执行或具有适合实时或大规模使用的适当操作特性。
为了支持欺诈检测，应该在一系列机器生成的数据派生算法中部署AI。这些算法应简化为应用程序形式，以允许它们基于先前对如何识别非法交易或行为的培训，“推断”有关新数据的信息–本质上，识别潜在的异常活动并标记应标记为潜在欺诈的行为。 。此过程通常称为运行“推理”。
AI的传统家已经在计算或应用层。但是，从体系结构上讲，推理的操作与数据层更相似。这一转变具有重大意义。这是因为将AI从结构上讲更靠近源数据，并允许推理与其他数据操作一起执行以达到优化目的。在不断增长的数据强度和要求以及现代应用程序要求的实时数据速度要求的背景下，这样做对于将来的成功至关重要。
最重要的是，AI必须具有高性能数据库的所有标记，才能以最佳水平运行。这意味着它需要高度可用，稳定，通过通用接口连接并能够在集群中扩展。而且，当然，它必须能够在实时性能范围内做出响应。
