ИИ-антифрод для обменника — это не кнопка «поймать мошенника», а набор моделей, которые за доли секунды взвешивают десятки сигналов одной сделки. Если вы закладываете бюджет на такую систему, важно заранее понять, что она должна считать на самом деле, кому подходит и где её возможности заканчиваются — пока контракт ещё не подписан.
Что продавцы называют «ИИ» — и чем это часто оказывается
Если на презентации звучат слова «нейросеть» и «machine learning», но ни один сигнал не называется конкретно — скорее всего, под капотом классический набор правил «если сумма больше X и страна не совпадает с IP». Это не плохо само по себе: простой rule engine дешевле и предсказуемее. Плохо, когда его продают как самообучающуюся систему и берут за это втрое больше.
Отличить одно от другого просто: спросите, на каких данных модель обучалась и как часто она пересчитывает веса. Если ответ — «на экспертных правилах наших аналитиков» — ИИ там не при чём, и это нормально знать заранее.
Семь сигналов настоящего скоринга
Рабочая модель почти всегда смотрит шире, чем просто на сумму перевода. Вот что стоит спросить у вендора напрямую.
- Скорость заполнения формы — бот или скрипт вводит данные быстрее и равномернее человека.
- Совпадение геолокации IP и указанной страны — не само несовпадение, а то, как часто оно происходит у этого клиента.
- Повтор отпечатка устройства в разных аккаунтах — признак фермы аккаунтов, а не одного неудачливого пользователя.
- Скорость операций во времени — серия сделок сразу после регистрации выглядит иначе, чем активность клиента с историей.
- Несоответствие заявленной цели и паттерна — «личные нужды» и транзит через десять кошельков за час плохо сочетаются.
- Связи в графе кошельков с адресами, уже отмеченными как рискованные у других участников рынка.
- Поведенческие метрики ввода — скорость набора, движения курсора, паузы — тонкий, но рабочий сигнал против автоматизированного фрода.
Если вендор уверенно отвечает хотя бы по пяти пунктам из семи — вероятно, перед вами не переклеенный rule engine.
Как проверить вендора за 20 минут
Для этого не нужен штат дата-сайентистов — нужны четыре прямых вопроса.
- Какой процент ложных срабатываний на тестовой выборке и как он считался?
- Может ли система объяснить, почему конкретная сделка получила высокий риск-балл — или это чёрный ящик?
- Согласны ли они прогнать модель на вашей истории транзакций перед покупкой?
- Как часто переобучается модель и что происходит, если схема мошенничества новая?
Если вендор уходит от ответа на вопрос про объяснимость — для компании это не абстрактная придирка: регулятору и банку-партнёру вы не объясните решение словами «так сказал ИИ».
Где ИИ не спасёт
Скоринг отлично ловит повторяющиеся паттерны, но плохо справляется с тем, чего раньше не видел. Совершенно новая схема социальной инженерии против вашего собственного сотрудника — не про транзакции, а про человека, которого убедили обойти процедуру.
То же касается инсайдерского риска: если доступ к панели администратора злоупотребляет сотрудник, а не внешний клиент, модель риска транзакций это не увидит — нужен отдельный контроль доступа и журналирование действий персонала.
Частые ошибки при внедрении
- Включать автоблокировку сразу, без периода работы «в наблюдении» с человеком в контуре решений.
- Не переобучать модель на собственных данных обменника, довольствуясь общей отраслевой моделью вендора.
- Принимать risk-score как финальный вердикт, а не как один из входов для решения человека.
- Не фиксировать логику объяснимости для будущих запросов комплаенса или банка-партнёра.
Вывод
ИИ-антифрод — полезный инструмент, но не замена процессу: он снижает нагрузку на ручную проверку, а не убирает ответственность за решение. Прежде чем платить за лицензию, проверьте систему на своих же данных и своих же сценариях мошенничества — общие обещания вендора на это не годятся. Готовый обменник с продуманными настройками риска и комплаенса можно запустить на платформе iEXExchanger.
