如果说今天的创新步伐是场比赛,世界正在以飞快的速度发生变化。
相对于当今世界发生的每一项积极的创新,都会有相反的应用。黑客和网络犯罪分子将用人工智能 (AI) 等,以同样的手段添加到他们的工具包中。
Hawk AI首席执行官兼联合创始人Tobias Schweiger告诉记者:“技术的应用不仅是好人的专利,坏人正在加速这样的军备竞赛,采用新的技术。”
“作为一家金融机构,必须意识到这一趋势,并确保企业拥有足够的技术来反击。”
调查发现,超过40%的美国银行报告称,欺诈行为正逐年增加,几乎是 2022 年报告的两倍。欺诈交易数量的增加意味着欺诈损失的逐年更高,并突显出犯罪分子能够更好地绕过原有的欺诈防御体系。
Schweiger认为,至少在过去二十年里,欺诈系统通常是基于简单的规则引擎,而这些规则引擎现在已不再起作用了。
“升级解决方案和系统并纳入机器学习 (ML) 和人工智能确实是唯一的出路,”他解释道。
当代的问题需要当代的解决方案
为了有效地锁定紧急攻击向量漏洞,企业不能再满足于广泛的防御。随着黑客变得越来越聪明,黑客程序需要通过更加精确地检测相关或可疑行为来做出同样的反应。
“我认为最终没有任何赢家,”Schweiger说。“公司只需要像犯罪分子一样迅速......解决方案是通过重新调整模型、对过去发生的事情进行回溯测试以及校准防御措施来不断学习,以更准确地保护和避免组织特定的问题行为。”
让事情变得更加复杂的是,至少有三分之一的金融机构认为欺诈者的复杂性是设计策略和制定打击欺诈工具决策真正的挑战。
正如Schweiger所解释的那样,这就是为什么金融机构需要阻止和解决问题并从小事做起,而不是试图一次把大海煮沸。
“不需要完全取代老式的基于规则的流程,”他说。“规则有其存在的理由,因为它们是组织所了解并感到满意的。对于大多数组织来说,仅采用人工智能动作有点太大了。我们更相信,机器学习和人工智能能将旧世界和新世界结合,其中的规则反映了人们想要停止或关注的模式,而顶部的第二层机器学习和人工智能提供了精确性和敏捷性”。
确定合法性越来越具有挑战性
欺诈是实时发生的,新的生成式人工智能功能为黑客提供了更多途径来激活更多欺诈行为漏洞,包括交易欺诈、开户、账户接管和其他行为驱动的诈骗手段。
“信用卡欺诈仍是黑客们的摇钱树。”Schweiger说。“ACH 支付也受到了广泛关注。使用生成式人工智能进行模仿(包括深度伪造声音甚至面部)的案件也在不断增加。这些技术代表了黑客正在进行更大、面向未来的进步。”
随着欺诈技术变得更加复杂,使合法的请求会被消费者和其他最终用户忽略,他们不确定哪些请求是合法的,哪些请求来自黑客。
“人工智能的应用在这种情况下非常重要,因为它可以识别与正常行为发生偏差的异常。”Schweiger解释道。“该策略始终以数据为依据:如交易数据、地理位置信息、设备指纹等。未来希望更囊括了包括第三方欺诈池的信息。”
他表示,未来获取不同甚至非常规类型数据的能力将“非常重要”。
虽然现在的消费者通常不会被访问银行平台和交易时遇到的身份验证或注册所困扰,但人工智能集成以及人工智能模型在不断从新数据和环境中学习的能力可以帮助确保平衡安全性和便捷性做出很好的平衡。
Schweiger表示,除了欺诈之外,其他类型的金融犯罪也是金融机构最关心的问题。
“像 Hawk AI 这样的工具能够将制裁筛查、反洗钱 (AML) 交易监控等功能,他能与欺诈保护结合起来,同时丰富彼此的信号。反之亦然,这是银行在赢得这场军备竞赛的答案。”他说。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。