XiaoMi-AI文件搜索系统
World File Search SystemFraud
人工智能 (AI) 对欺诈检测的影响
摘要 本研究考察了人工智能 (AI)，特别是计算机视觉和机器人流程自动化 (RPA) 对尼日利亚东南部存款银行欺诈检测的影响。人工智能技术通过实现实时监控、异常检测和流程自动化，为应对日益增长的欺诈威胁提供了创新解决方案。该研究的目标包括评估计算机视觉在检测内部欺诈方面的有效性，并评估 RPA 在监控信用卡欺诈活动中的作用。采用描述性调查设计，通过问卷调查收集尼日利亚东南部各银行机构员工的数据，以评估人工智能技术为欺诈检测实践带来的有效性、挑战和潜在改进。从所研究的组织中共选出了 1101 名员工。使用 Freund 和 William 的统计公式以 5% 的误差幅度确定样本量为二百八十四 (284)。使用李克特量表呈现和分析数据，使用 Z 检验提出假设。研究结果表明，计算机视觉对内部欺诈检测具有显著的积极影响，Z = 6.561< 8.639，P. <,05。机器人技术对尼日利亚东南部存款银行的信用卡欺诈监控具有显著的积极影响，Z = 7.649 < 9.987，P. <,05。该研究强调了全面的人工智能集成欺诈检测系统的重要性，并建议进一步探索针对小型银行机构情况的经济高效的实施方案。应对这些挑战可以改善尼日利亚银行业的安全状况，增强信任和运营弹性。关键词：人工智能、计算机视觉、机器人流程自动化、欺诈检测、存款银行、内部欺诈、信用卡欺诈
国际欺诈计划的洗钱者被判处
根据为期七天的庭审证词和法庭文件，Nkongho 的同谋建立并使用了所谓的美国海军电子邮件地址、真实表格、头衔、地址和其他标记，冒充美国政府承包代理，以欺诈手段获取商品，包括大屏幕电视、专用通信设备、iPhone 和 iPad。大部分欺诈行为都是在美国境外进行的，包括尼日利亚。三家受害公司（一家总部位于华盛顿州，提供无线语音和数据服务）、一家位于弗吉尼亚州的音频视频批发分销商和制造商代表以及一家总部位于马里兰州，设计、制造和销售通信设备的国防承包商）在没有事先付款的情况下将商品发给了东海岸的同谋。这些人随后将偷来的物品运往西海岸的其他同谋，在那里出售。
人工智能在欺诈预防中的作用：探索技术和
1 Northen Trust，美国 2 工程材料开发研究所，阿库雷，尼日利亚 _______________________________________________________________________________ *通讯作者：Komolafe Olufemi 通讯作者电子邮件：fepraise@yahoo.com / busayobello@gmail.com 文章收稿日期：10-01-24 接受日期：15-03-24 发表日期：27-06-24 许可详情：作者保留本文的权利。本文根据知识共享署名-非商业性使用 4.0 许可条款分发（http://www.creativecommons.org/licences/by-nc/4.0/），允许非商业性使用、复制和分发作品，无需进一步许可，前提是原始作品的署名如期刊开放获取页面上所指定 _______________________________________________________________________________
人工智能在金融欺诈检测中的作用 |...
人工智能改变了我们开展业务的方式，毫无疑问已成为我们这个时代不可否认和不可抗拒的现实。技术已触及所有领域，并在服务提供中发挥了决定性作用。由于技术进步，金融和银行服务正在利用各种方面和可用的工具，从而在竞争激烈的商业环境中提供竞争优势。有许多基于人工智能的技术和解决方案，如 Teradata、Feedzai、Riskified、Clari5、Razorpay Third watch、AdvaRisk、Kount 等，它们不仅在减少欺诈行为方面发挥了决定性作用，而且还提高了业务运营的效率和效力。本文真诚地尝试分析和评估各种基于人工智能的解决方案及其对改善商业环境的影响。研究发现，人工智能已经改变了游戏规则，其影响范围更广，不仅仅是通过提高效率和节约成本来减少金融欺诈的发生。事实证明，这对维护和提高银行实体的声誉至关重要。
开发和监控基于人工智能的支付欺诈模型
危机和不确定性可能为伪装恶意创造机会；因此，可能需要更先进、适应性更强的欺诈检测技术来识别新出现的欺诈计划。COVID-19 疫情以及过去几年的经济和其他社会动荡带来了不确定性，网络犯罪分子可以利用这种不确定性来掩盖其行为。这些欺诈技术通常包括社交工程、恶意软件攻击、数据泄露/大规模数据泄露、账户接管、身份盗窃和勾结。当出现新的现金来源（例如通过政府援助计划）时，这需要对新出现的欺诈计划保持额外的警惕和适应性。
欺诈检测中的人工智能和算法决策
例如人工智能 (AI)、大数据分析、机器学习和区块链对管理和组织系统和实践的影响 (Tan and Taeihagh, 2021 ; Dickinson et al., 2021 ; Leiman, 2021 ; Radu, 2021 ; Taeihagh, 2021 ; Ulnicane et al., 2021 )。这些技术正在彻底改变现有的行政系统和实践，使其成为人与机器之间新型的互动，有时被称为算法官僚主义 (Vogl et al., 2020 ; Tan and Crompvoets, 2022 )。然而，由于组织内部和外部感知到的技术、系统、行政和监管障碍导致各种价值观保留，公共部门组织采用新的数字技术面临挑战（Tan 等人，2022 年；Bullock 等人，2020 年；Vogl 等人，2020 年；Tangi 等人，2021 年，Sun 和 Medaglia，2019 年）。公共管理研究已开始调查与系统应用人工智能和算法决策相关的挑战（Exmeyer 和 Hall，2022 年；Neumann 等人，2022 年）、问责机制（Busuioc，2021 年）、公民信任和决策的可解释性（Grimmelikhuijsen，2022 年）、组织重组（Meijer 等人，2021 年）、行政自由裁量权和实施意愿（Alshallaqi，2022 年；Wang 等人，2022 年）、道德原则和公民隐私（Willems 等人，2022 年）、能力差距和知识管理（Wilson 和 Broomfield，2022 年）。然而，这些新兴文献提供了如何在公共政策过程中整合人工智能和算法决策的零散图景。两种理论模型评估公共政策过程中的技术采用：行为模型通过分析用户对技术的感知和用户级特征的中介影响来解释技术采用过程，结构模型通过组织和机构因素与用户行为的相互作用来解释技术采用过程。这两种模型都侧重于用户的感知，但并没有提供整体视角来解释不同机构、组织、技术和个人层面驱动因素之间的感知关系及其对系统应用的影响（Dawes，2009；Engvall 和 Flak，2022）。这使得为公共政策过程中的人工智能和算法决策制定可行的数字化转型战略变得复杂。我们的具体研究问题是：本文旨在通过开发一个整体模型 1 来解决文献中的这一空白，该模型可以解释影响人工智能和算法工具在公共政策过程中整合的感知驱动因素之间的相互关系。具体来说，本研究重点关注税收和社会保障领域的欺诈检测案例，这些领域是使用机器学习和人工智能驱动的高级分析技术的主要政策领域。虽然这些技术有可能改进欺诈检测流程，但采购障碍、培训不足的工人、数据限制、缺乏技术标准、组织变革的文化障碍以及遵守负责任的人工智能原则的需要阻碍了它们的广泛采用 (West, 2021 )。
欺诈策略：阻止诈骗并保护公众
1.掠夺性犯罪分子从辛勤工作的人、企业和组织的口袋中掏钱——无情地针对最脆弱的人，无论是在网上还是在自己家里。欺诈者变得越来越狡猾——我们看到越来越多的受害者被情感操纵，降低了防御能力。欺诈风险的数量和严重性威胁着我们的国家和经济安全，助长了恐怖主义和有组织犯罪，正如政府 2021 年《安全、国防、发展和外交政策综合评估》所承认的那样。2023 年综合评估更新认识到反欺诈战略在阻止利用英国金融体系和经济开放进行犯罪和腐败方面的重要性。
2006 年反欺诈法案的立法后评估 - GOV.UK
《2020 年量刑法》附表 22 第 24 款于 2022 年 5 月 2 日根据《2003 年刑事司法法》（生效日期第 33 号）和《2020 年量刑法（生效日期第 2 号）条例》生效。第 24 款生效的效果是，将治安法庭对单项可审理的双向罪行可判处的最长监禁期限从六个月增加到十二个月，并修订《2006 年欺诈法》附表 2 第 1 款，规定对该法中可审理的双向罪行之一进行简易程序定罪的最高刑罚为 12 个月，除非该罪行是在 2022 年 5 月 2 日之前犯下的。这一变化只影响哪些案件可以在治安法庭判刑。这些罪行的最高刑罚总额没有增加。
财务欺诈检测和机器学习算法（...
金融行业通过确定与欺诈检测相关的认知结构，利益，经济优化以及需要创新方法进行有效检测的挑战。这项研究对源自Scopus数据库的PRISMA协议进行了系统文献综述，以遵循PRISMA协议，以选择2010年至2023年发表的27篇文章。该分析揭示了无监督的学习已在各种金融领域实施，包括在线付款，保险以及在银行业中突出的，尤其是用于确定信用卡交易中的异常情况。k均值是无监督学习中使用的最流行的方法。尽管如此，仍有持续的挑战需要解决方案来确保机器学习实施的功效，包括阶级不平衡和欺诈活动的复杂性等问题。从理论上讲，这项研究提供了对认知概念，收益和应用，挑战和实用建议，用于使用无监督的学习进行财务欺诈检测。这对于实践实施很有用，使行业从业人员在选择适当的模型的数据集中受益，这些模型有可能提高检测系统的准确性并减少由于欺诈而造成的财务损失。
AI在检测财务异常和欺诈中的作用
抽象人工智能（AI）正在通过显着增强检测财务异常和欺诈的能力来改变审计领域。与传统方法相比，AI在审核过程中的集成在审核过程中提供了前所未有的功能，可以以更高的速度和精度分析大量数据集。本评论探讨了AI对审计准确性的影响，重点是其在识别违规行为和欺诈活动中的作用。AI驱动的审计工具利用机器学习算法和高级数据分析来仔细研究财务记录，并具有很高的细节。这些工具可以快速处理大量的财务数据，识别可能表明异常或欺诈行为的模式和偏差。与常规审计技术（通常依赖于采样和手动检查）不同，AI可以评估整个数据集，确保全面覆盖范围并减少未发现问题的可能性。AI在审核中的主要好处之一是它增强异常检测的能力。机器学习模型经过培训，以识别正常的财务行为和标志偏差，可能需要进一步调查。这种能力对于确定人类审计师可能会错过的微妙或复杂模式而特别有价值。例如，AI可以检测异常的交易模式，