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
是德科技高级副总裁兼通信解决方案事业部总裁Kailash Narayanan现场指出,算力固然重要,但如果能耗过高,技术的实用性将大打折扣,因此,所有的高速、高性能计算,都必须在极低的功耗下实现,这是AI等技术能否大规模落地的核心前提。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
来自上海交通大学和浙江大学等机构的研究团队开发出首个AI"记忆操作系统"MemOS,解决了AI系统无法实现人类般持久记忆和学习的根本限制。该系统将记忆视为核心计算资源进行调度、共享和演化,在时间推理任务中相比OpenAI记忆系统性能提升159%。MemOS采用三层架构设计,通过标准化记忆单元实现跨平台记忆迁移,有望改变企业AI部署模式。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。