वित्तीय अपराध उस पैमाने पर पहुँच गया है जिसके लिए पहचान और रोकथाम के वास्ते एक बुनियादी रूप से भिन्न दृष्टिकोण की आवश्यकता है। 2024 में वैश्विक स्तर पर घोटाले से होने वाला नुकसान 1.03 ट्रिलियन अमेरिकी डॉलर से अधिक होने और धोखाधड़ी की तकनीकें हर तिमाही में अधिक परिष्कृत होने के साथ, वित्तीय संस्थान अब केवल मैन्युअल समीक्षाओं और स्थिर नियमों पर भरोसा नहीं कर सकते हैं। आर्टिफिशियल इंटेलिजेंस द्वारा धोखाधड़ी का पता लगाना एक उभरती हुई क्षमता से बढ़कर एक परिचालन आवश्यकता बन गया है।.
AI-संचालित धोखाधड़ी पहचान (AI-powered fraud detection) बैंकिंग, भुगतान, बीमा और ई-कॉमर्स में वास्तविक समय में संभावित धोखाधड़ी की पहचान करने के लिए मशीन लर्निंग, डेटा एनालिटिक्स और ऑटोमेशन को जोड़ती है। 2025 तक, 99 प्रतिशत संगठन धोखाधड़ी की रोकथाम के लिए AI का उपयोग करते हैं, जो यह दर्शाता है कि यह तकनीक वित्तीय सेवा उद्योग में कितनी गहराई से समाहित हो चुकी है। फिर भी कई संस्थान मुख्य निर्णयों के लिए अभी भी बड़े पैमाने पर नियम-आधारित प्रणालियों (rules-based systems) पर बहुत अधिक निर्भर हैं, जिससे महत्वपूर्ण कमियां छूट जाती हैं। यह लेख इस बात पर व्यावहारिक मार्गदर्शन प्रदान करता है कि AI धोखाधड़ी पहचान कैसे काम करती है, यह क्या मापने योग्य लाभ प्रदान करती है, संगठनों को किन चुनौतियों का सामना करना पड़ता है, और इसे प्रभावी ढंग से कैसे लागू किया जाए।.
एआई धोखाधड़ी का पता लगाना क्या है और यह कैसे काम करता है?
एआई धोखाधड़ी पहचान (AI fraud detection) धोखाधड़ी के जोखिम के लिए लेनदेन, उपयोगकर्ताओं और संस्थाओं का मूल्यांकन करने के लिए मशीन लर्निंग मॉडल और एनालिटिक्स का उपयोग करती है। ये एआई प्रणालियाँ वैध लेनदेन और धोखाधड़ी वाली गतिविधियों के बीच अंतर को सीखने के लिए ऐतिहासिक डेटा को ग्रहण करती हैं, जिसमें अक्सर वर्षों का लेनदेन इतिहास शामिल होता है। मशीन लर्निंग मॉडल को धोखाधड़ी के पैटर्न को पहचानने के लिए ऐतिहासिक डेटा पर प्रशिक्षित किया जाता है, जो ऐसे probabilistic मॉडल बनाते हैं जो एक साथ सैकड़ों डेटा बिंदुओं का मूल्यांकन कर सकते हैं।.
मानक कार्यप्रवाह चार चरणों का पालन करता है:
- डेटा संग्रहण और फ़ीचर इंजीनियरिंग लेन-देन के डेटा, डिवाइस की जानकारी, भौगोलिक स्थिति (जियोलोकेशन) और व्यवहार संबंधी संकेतों को कैप्चर करना।.
- मॉडल ट्रेनिंग पर्यवेक्षित और अपर्यवेक्षित दोनों विधियों का उपयोग करके।.
- रियल-टाइम स्कोरिंग जहाँ एआई निर्णय लेने में सहायता के लिए प्रत्येक लेनदेन को जोखिम स्कोर प्रदान करता है।.
- मानव समीक्षा उच्च जोखिम वाले अलर्ट, जो व्याख्यात्मकता टूल द्वारा समर्थित हैं।.
सुपरवाइज्ड लर्निंग मॉडल लेबल किए गए डेटासेट से सीखते हैं, और क्लासिफायर बनाने के लिए कन्फर्म फ्रॉड मामलों का उपयोग करते हैं। अनसुपरवाइज्ड लर्निंग मॉडल बिना पहले के लेबल के एनोमली (विसंगतियों) का पता लगाकर अज्ञात फ्रॉड पैटर्न की पहचान करते हैं। आधुनिक एआई फ्रॉड डिटेक्शन समाधान अक्सर मिलीसेकंड में इन्फेरेंस चलाते हैं, जिससे कार्ड भुगतान, वायर ट्रांसफर और नए खाता खोलने के लिए रीयल-टाइम निर्णय लेना संभव होता है।.
वास्तविक समय डेटा विश्लेषण और जोखिम स्कोरिंग
जब कार्ड लेनदेन शुरू किया जाता है, तो सिस्टम कई संकेतों को कैप्चर करता है: लेनदेन राशि, मर्चेंट श्रेणी, डिवाइस फ़िंगरप्रिंट, आईपी जियोलोकेशन, पिछला खाता व्यवहार, और वेग मेट्रिक्स जैसे कि पिछले घंटे में कितने लेनदेन हुए हैं। ये इनपुट एक फ़ीचर इंजीनियरिंग पाइपलाइन को फ़ीड करते हैं, जो अक्सर वॉचलिस्ट और डिवाइस रिप्यूटेशन स्कोर जैसे बाहरी संकेतों से समृद्ध होती है।.
एआई वास्तविक समय में अरबों लेनदेन को संसाधित कर सकता है, मिलीसेकंड के भीतर प्रत्येक घटना के लिए जोखिम स्कोर (आमतौर पर 0 से 100 तक सामान्यीकृत) की गणना करता है। धोखाधड़ी पकड़ने की दर और ग्राहक असुविधा को संतुलित करने के लिए थ्रेशोल्ड को अनुकूलित किया जाता है। धन संस्था से बाहर जाने से पहले नुकसान को कम करने के लिए धोखाधड़ी वाले लेनदेन को तुरंत ब्लॉक करने के लिए एआई काम करता है। एक अच्छी तरह से प्रलेखित परिनियोजन में, Danske Bank ने पहचान में 60% की सुधार की और झूठी सकारात्मकताओं को 50% तक कम किया। 300 मिलीसेकंड से कम समय में लेनदेन का स्कोर करने वाले मशीन लर्निंग प्लेटफॉर्म का उपयोग करना।.
तत्काल भुगतान नेटवर्क और 24/7 ऑनलाइन बैंकिंग के लिए, बैच-आधारित या दिन-समाप्ति नियंत्रण अब पर्याप्त नहीं हैं। वास्तविक समय (रियल-टाइम) धोखाधड़ी का पता लगाना अब एक बुनियादी अपेक्षा है।.
पैटर्न रिकग्निशन, बिहेवियरल प्रोफाइलिंग, और एनोमली डिटेक्शन
एआई ऐतिहासिक गतिविधि के हफ्तों और महीनों के आधार पर प्रत्येक ग्राहक, खाते, डिवाइस या मर्चेंट के लिए व्यवहार संबंधी बेसलाइन तैयार करता है। विशिष्ट विशेषताओं में सामान्य लॉगिन समय, लेनदेन का आकार, पसंदीदा स्थान और सामान्य काउंटरपार्टी शामिल हैं। एआई लेनदेन में विसंगति को चिह्नित करने के लिए व्यक्तिगत उपयोगकर्ता के व्यवहार का मूल्यांकन करता है, जैसे किसी अज्ञात डिवाइस से सुबह 3 बजे किसी नए देश में अचानक उच्च-मूल्य का स्थानांतरण।.
पैटर्न रिकग्निशन (प्रतिरूप पहचान) ज्ञात धोखाधड़ी के लक्षणों की पहचान करता है, जबकि एनोमली डिटेक्शन (विसंगति का पता लगाना) दुर्लभ व्यवहारों को चिह्नित करता है जो नई धोखाधड़ी योजनाओं का संकेत दे सकते हैं। डीप लर्निंग असंरकृत डेटा में जटिल पैटर्न का पता लगाती है, जिससे पहचान की क्षमताएं संरचित नियमों द्वारा पकड़े जा सकने वाले दायरे से आगे बढ़ जाती हैं। एआई धोखाधड़ी का खुलासा करने के लिए डेटासेट में छिपे कनेक्शन की पहचान करता है, और व्यवहार संबंधी प्रोफाइलिंग को नेटवर्क विश्लेषण के साथ संयोजित करने से संगठित धोखाधड़ी गिरोहों, मनी म्यूल नेटवर्क और सिंथेटिक पहचान धोखाधड़ी का पता लगाने में मदद मिलती है।.
अनुकूली शिक्षण और निरंतर मॉडल सुधार
जाँच से प्राप्त लेबल्ड परिणाम, चाहे वे कन्फर्म्ड फ्रॉड हों या फॉल्स अलार्म, समय के साथ फ्रॉड डिटेक्शन की सटीकता को बेहतर बनाने के लिए मशीन लर्निंग मॉडल में वापस फीड किए जाते हैं। कई संस्थान साप्ताहिक या मासिक रूप से मुख्य फ्रॉड मॉडल को पुनः प्रशिक्षित करते हैं। एक यूके फिनटेक परिनियोजन ड्रिफ्ट डिटेक्शन द्वारा ट्रिगर किए गए स्वचालित साप्ताहिक पुनःप्रशिक्षण का उपयोग किया गया, जिससे 90 दिनों के भीतर धोखाधड़ी के नुकसान में 78% की कमी आई।.
एआई लगातार नई धोखाधड़ी की रणनीतियों को सीखता और उनके अनुसार खुद को ढालता है, जो कि डीपफेक-सक्षम खाता टेकओवर और रीयल-टाइम भुगतानों को लक्षित करने वाले नए घोटालों जैसे खतरों के तेजी से विकसित होने के कारण महत्वपूर्ण है। एआई प्रणालियाँ 24/7 गतिविधियों की निगरानी करती हैं और धोखाधड़ी पर प्रतिक्रिया को स्वचालित करती हैं, जबकि मॉडल मॉनिटरिंग डैशबोर्ड ड्रिफ्ट, प्रिसिजन, रिकॉल और स्थिरता को ट्रैक करते हैं।.
महत्वपूर्ण बात यह है कि एआई धोखाधड़ी विश्लेषकों (फ्रॉड एनालिस्ट्स) की जगह नहीं लेता है। यह बड़े पैमाने पर जोखिम संकेतों को लगातार अपडेट करके उन्हें सशक्त बनाता है, जिससे मानवीय टीमें प्रासंगिक निर्णय की आवश्यकता वाली जटिल जाँच के लिए स्वतंत्र हो जाती हैं।.
पारंपरिक नियम बनाम एआई-संचालित धोखाधड़ी का पता लगाना
पारंपरिक धोखाधड़ी पहचान (फ्रॉड डिटेक्शन) डोमेन विशेषज्ञों द्वारा बनाई गई IF/THEN लॉजिक पर निर्भर करती है। आज अधिकांश संगठन एक हाइब्रिड दृष्टिकोण का उपयोग करते हैं जहाँ मशीन लर्निंग पुरानी प्रणालियों (लेगेसी रूल्स) को रातों-रात बदलने के बजाय उनके साथ काम करती है। “नए उपकरणों से 5,000 अमेरिकी डॉलर से अधिक के सभी लेनदेन को ब्लॉक करें” जैसा एक स्थैतिक नियम सरल और पारदर्शी होता है, लेकिन यह कठोर है और आधुनिक धोखाधड़ी रणनीतियों के खिलाफ तेजी से अपर्याप्त होता जा रहा है।.
AI एल्गोरिदम सैकड़ों चरों में जटिल, गैर-रेखीय संबंधों को स्वचालित रूप से सीख सकते हैं, ऐसा काम जिसे दोहराने के लिए हजारों हस्तनिर्मित नियमों की आवश्यकता होगी। AI सुस्त, एक ही आकार के सभी थ्रेशोल्ड लागू करने के बजाय ग्राहक-विशिष्ट संदर्भ को समझकर झूठे सकारात्मक परिणामों को काफी हद तक कम कर सकता है।.
शुद्ध नियम-आधारित प्रणालियों की सीमाएँ
2026 में नियम-आधारित प्रणालियों (रूल्स-बेस्ड सिस्टम्स) को कई संरचनात्मक कमियों का सामना करना पड़ता है:
- उच्च झूठी सकारात्मकताएं अत्यधिक व्यापक सीमाओं के कारण वैध लेनदेन अवरुद्ध हो रहे हैं
- बचने में आसानी धोखेबाजों द्वारा जो नियम ट्रिगर से नीचे रहने के लिए अपने व्यवहार को समायोजित करते हैं
- भारी रखरखाव का बोझ जैसे-जैसे नियम सेट हजारों ओवरलैपिंग स्थितियों में बढ़ते हैं
- धीमी प्रतिक्रिया नई धोखाधड़ी की रणनीतिकोनों, जैसे कि एक फ़िशिंग अभियान जो मौजूदा नियमों को तब तक दरकिनार कर देता है जब तक कि टीमें कई दिनों बाद उन्हें मैन्युअल रूप से अपडेट नहीं कर देतीं
नियामक अब विशुद्ध रूप से स्थिर नियमों के बजाय तेजी से जोखिम-संवेदनशील, डेटा-संचालित दृष्टिकोणों की अपेक्षा कर रहे हैं, विशेष रूप से मनी लॉन्ड्रिंग और प्रतिबंधों की जाँच जैसे उच्च जोखिम वाले क्षेत्रों में। अकेले पारंपरिक प्रणालियाँ इन अपेक्षाओं को पूरा नहीं कर सकती हैं।.
एआई किस प्रकार मौजूदा नियंत्रणों का पूरक है और उनमें सुधार करता है
एआई मौजूदा फ्रॉड इंजनों के ऊपर बैठकर अलर्ट्स को फिर से प्राथमिकता दे सकता है, ट्रांजैक्शन के स्कोर फिर से तय कर सकता है, या देखे गए डेटा के आधार पर नियमों में बदलाव की सिफारिश कर सकता है। हाइब्रिड वर्कफ़्लो में, पूर्व-परिभाषित नियम स्पष्ट, कम-जटिलता वाले चेक को संभालते हैं जबकि एआई संदिग्ध या अधिक मूल्य वाले मामलों पर ध्यान केंद्रित करता है जिनमें आगे की जांच की आवश्यकता होती है।.
AI मॉडल नए गतिशील नियम प्रस्तावित कर सकते हैं, जैसे कि प्रति ग्राहक व्यक्तिगत लेनदेन सीमा, जिनकी संचालन टीमें समीक्षा और तैनाती कर सकती हैं। यह स्तरित दृष्टिकोण वित्तीय संस्थानों को जोखिम भरे पूर्ण सिस्टम प्रतिस्थापन के बिना धोखाधड़ी का पता लगाने में सुधार करने की अनुमति देता है। AI-जनित अंतर्दृष्टि टीमों को मौजूदा प्रणालियों से अतिटिक्त (रेडंडेंट) नियमों को हटाने, शासन को सरल बनाने और रखरखाव के बोझ को कम करने में भी मदद करती है।.
वित्तीय संस्थानों के लिए एआई फ्रॉड डिटेक्शन (धोखाधड़ी का पता लगाने) के लाभ
धोखाधड़ी का पता लगाने में एआई के मुख्य लाभ मापने योग्य हैं और बैंकों, भुगतान प्रदाताओं, फिनटेक और बीमाकर्ताओं के बीच अच्छी तरह से प्रलेखित हैं। लाभों में बेहतर धोखाधड़ी पहचान सटीकता, कम गलत सकारात्मक, बड़े पैमाने पर वास्तविक समय के निर्णय, बेहतर ग्राहक अनुभव और विनियामक अनुपालन के लिए मजबूत समर्थन शामिल हैं।.
उच्च पहचान दर और कम धोखाधड़ी नुकसान
लाखों ऐतिहासिक लेन-देन पर प्रशिक्षण से एआई उन जोखिम संकेतकों के सूक्ष्म संयोजनों को पहचान पाता है जिन्हें मनुष्य और सरल नियम चूक जाते हैं। परंपरागत तरीकों की तुलना में एआई धोखाधड़ी का पता लगाने की सटीकता में 40 प्रतिशत की वृद्धि करता है। विशिष्ट तैनाती में, PayPal ने एआई का उपयोग करके वास्तविक समय में धोखाधड़ी का पता लगाने की सटीकता में 10% की वृद्धि की, जबकि American Express ने एआई मॉडलों के साथ धोखाधड़ी का पता लगाने की सटीकता में 6% की वृद्धि की।.
ये लाभ राइट-ऑफ़, चार्जबैक और जाँच लागत से बचने के माध्यम से सीधे वित्तीय बचत में परिवर्तित होते हैं। मध्य पूर्व के एक प्रमुख बैंक ने फर्जी सकारात्मक परिणामों को 71% तक कम किया और रिकॉल में 18 अंकों की सुधार की।, जिससे सालाना 24 मिलियन अमेरिकी डॉलर की भुगतान धोखाधड़ी से बचा जा सके। धोखाधड़ी का पता लगाने की दरों में मामूली प्रतिशत सुधार भी अरबों का भुगतान प्रोसेस करने वाले संस्थानों के लिए लाखों बचा सकता है।.
कम झूठे सकारात्मक परिणाम और बेहतर ग्राहक अनुभव
गलत सकारात्मक परिणाम धोखाधड़ी प्रबंधन में सबसे महंगी समस्याओं में से एक बने हुए हैं। ये वैध लेन-देन होते हैं जिन्हें धोखाधड़ी के रूप में गलत तरीके से चिह्नित किया जाता है, जिससे भुगतान अस्वीकृत हो जाते हैं या अनावश्यक सत्यापन प्रक्रियाएं शुरू हो जाती हैं। एआई धोखाधड़ी का पता लगाने में गलत सकारात्मक परिणामों को 40% तक कम कर सकता है, जिससे विश्लेषक बड़ी मात्रा में सामान्य घटनाओं की समीक्षा करने के बजाय वास्तव में उच्च-जोखिम वाले अलर्ट पर ध्यान केंद्रित कर सकते हैं।.
विदेश में कार्ड से खरीदारी करने वाले किसी यात्री पर विचार करें। पारंपरिक तरीकों से भौगोलिक नियमों के आधार पर लेन-देन को ब्लॉक किए जाने की संभावना होगी। एआई इस पैटर्न को ग्राहक के यात्रा इतिहास, डिवाइस और खर्च करने के प्रोफाइल के अनुकूल मानता है, जिससे यह आगे बढ़ पाता है। कम झूठे सकारात्मक (फॉल्स पॉज़िटिव) दरें ग्राहक की शिकायतों और मंथन (चर्न) को कम करती हैं, जो प्रतिस्पर्धी बाजारों में एक रणनीतिक लाभ है जहाँ बाधा ग्राहकों को वैकल्पिक प्रदाताओं की ओर ले जाती है।.
वास्तविक समय, स्केलेबल धोखाधड़ी निवारण
आधुनिक बुनियादी ढांचे पर तैनात एआई मॉडल मिलीसेकंड प्रतिक्रिया समय के साथ प्रति सेकंड दसियों हज़ार लेनदेन को संसाधित कर सकते हैं। एआई वास्तविक समय में अरबों लेनदेन का विश्लेषण कर सकता है, जिससे तत्काल भुगतान, पी2पी ट्रांसफर और 24/7 डिजिटल चैनलों के लिए वास्तविक समय में धोखाधड़ी का पता लगाना अनिवार्य हो जाता है। निगरानी के लिए एआई सिस्टम मानव टीमों की तुलना में बड़े डेटासेट को तेज़ी से संसाधित करते हैं, और यह गति उस अंतर को समाप्त करती है जिसे पारंपरिक रात्रین कालीन बैच प्रक्रियाएं खुला छोड़ देती हैं।.
एआई क्षेत्रों और व्यावसायिक लाइनों में क्षैतिज रूप से स्केल करता है, जो एक ही पहचान मंच पर बैंकों, भुगतान नेटवर्क और व्यापारियों का समर्थन करता है। रियल-टाइम रोकथाम विवादों और ग्राहक शिकायतों के लिए डाउनस्ट्रीम वर्कलोड को भी कम करती है।.
नियामक अनुपालन और ऑडिटेबिलिटी के लिए समर्थन
दुनिया भर के नियामक मजबूत वित्तीय धोखाधड़ी का पता लगाने, मनी लॉन्ड्रिंग विरोधी और प्रतिबंधों की जांच नियंत्रण की अपेक्षा करते हैं। आधुनिक एआई धोखाधड़ी पहचान प्रणाली आंतरिक ऑडिट और नियामक समीक्षा के लिए उपयुक्त विस्तृत लॉग, मॉडल स्पष्टीकरण और ऑडिट ट्रेल प्रदान करती हैं। स्पष्ट करने योग्य एआई तकनीकें दिखाती हैं कि कौन से कारक एक विशेष जोखिम स्कोर में योगदान करते हैं, जो निष्पक्ष उपचार और नियामक अनुपालन का समर्थन करते हैं।.
उन्नत एआई संस्थानों को नियमों का पालन करने में मदद करता है जैसे कि यूरोप और ईयू एआई अधिनियम में PSD2/PSD3 सक्रिय, जोखिम-आधारित निगरानी का प्रदर्शन करके। 99% संगठन अब धोखाधड़ी रोकथाम प्रणालियों में एआई का उपयोग कर रहे हैं, नियामक इन नियंत्रणों की परिष्कृतता और पारदर्शिता के लिए अपेक्षाएँ बढ़ा रहे हैं।.
धोखाधड़ी का पता लगाने में उन्नत एआई तकनीकें
आधुनिक एआई धोखाधड़ी पहचान समाधान बुनियादी मशीन लर्निंग क्लासिफ़ायर से कहीं आगे निकल जाते हैं। कई आयामों में धोखाधड़ी का पता लगाने के लिए लेयर्ड आर्किटेक्चर में व्यवहार संबंधी बायोमेट्रिक्स, विसंगति का पता लगाना (अनोमेली डिटेक्शन), ग्राफ़-आधारित विश्लेषण और जनरेटिव एआई अनुप्रयोगों जैसी तकनीकों को तेजी से संयोजित किया जा रहा है।.
व्यवहार संबंधी बायोमेट्रिक्स और डिवाइस इंटेलिजेंस
व्यवहार बायोमेट्रिक्स यह विश्लेषण करता है कि उपयोगकर्ता किस तरह से एप्लिकेशन के साथ इंटरैक्ट करते हैं, जिसमें खाता टेकओवर या प्रतिरूपण का सुझाव देने वाली विसंगतियों का पता लगाने के लिए टाइपिंग रिदम, माउस मूवमेंट और टचस्क्रीन जेस्चर शामिल हैं। फ़िंगरप्रिंटिंग, OS पहचान और सेंसर डेटा के माध्यम से डिवाइस इंटेलिजेंस सत्रों को जोड़ने और नए उपकरणों से संदिग्ध पैटर्न की पहचान करने में मदद करता है।.
ये तरीके वैध उपयोगकर्ताओं के लिए काफी हद तक अदृश्य हैं, जो बिना किसी परेशानी के सुरक्षा में सुधार करते हैं। व्यवहार संबंधी पैटर्न को लेन-देन संबंधी जोखिम स्कोर के साथ संयोजित करने से अकेले किसी भी संकेत की तुलना में अधिक सटीक निर्णय मिलते हैं, जिससे समग्र धोखाधड़ी का पता लगाने की क्षमता मजबूत होती है।.
विसंगति का पता लगाना और अप्रत्याशित शिक्षण
विसंगति का पता लगाने वाले एल्गोरिदम (एनोमली डिटेक्शन एल्गोरिदम) नए, पहले कभी न देखे गए धोखाधड़ी के पैटर्न का पता लगाने के लिए आवश्यक हैं, जिन्हें लेबल किए गए प्रशिक्षण डेटा में शामिल नहीं किया जाता है। इसके उदाहरणों में किसी विशेष व्यापारी से रिफंड के अनुरोधों में अचानक वृद्धि या छोटे-मूल्य वाले भुगतानों के असामान्य समूह शामिल हैं जो संरචना (स्ट्रक्चरिंग) का संकेत देते हैं।.
अनसुपरवाइज्ड मशीन लर्निंग ग्राहक, मर्चेंट या डिवाइस स्तर पर समान व्यवहारों को समूहीकृत (ग्रुप) कर सकती है और असामान्य डेटा (आउटलायर) को चिह्नित कर सकती है। हालांकि, विसंगतियां (एनोमेलिज़) हमेशा धोखाधड़ी (फ्रॉड) नहीं होती हैं। प्रभावी वर्कफ़्लो चिह्नित घटनाओं को प्रासंगिक समीक्षा के लिए विश्लेषकों या द्वितीयक मॉडल तक पहुँचाते हैं, जिससे विसंगति का पता लगाना (एनोमेलि डिटेक्शन) पर्यवेक्षित धोखाधड़ी मॉडल के प्रतिस्थापन के बजाय एक पूरक के रूप में स्थापित होता है।.
ग्राफ एआई और नेटवर्क-आधारित धोखाधड़ी का पता लगाना
ग्राफ एआई छुपे हुए धोखाधड़ी नेटवर्क का पता लगाने के लिए ग्राहकों, उपकरणों, ईमेल और बैंक खातों सहित संस्थाओं के बीच संबंधों का मॉडल तैयार करता है। ग्राफ न्यूरल नेटवर्क जटिल लेनदेन डेटा में पैटर्न को ट्रैक करते हैं, और ऐसे कनेक्शनों का खुलासा करते हैं जिन्हें पारंपरिक सिस्टम पूरी तरह से छोड़ देते हैं। उदाहरण के लिए, उपकरणों और आईपी के एक छोटे से सेट को साझा करने वाले कई स्पष्ट रूप से असंबंधित खाते मनी लॉन्ड्रिंग का समन्वय करने वाले एक म्यूल नेटवर्क का खुलासा कर सकते हैं।.
एआई नेटवर्क संबंधों का मूल्यांकन करके भविष्य के धोखाधड़ी वाले व्यवहार का अनुमान लगा सकता है। हालिया शोध जैसे कि CMSGNN-SAO मॉडल व्यवस्थित धोखाधड़ी वाले गिरोहों और सिंथेटिक पहचान धोखाधड़ी का अधिक सटीक पता लगाने के लिए लेनदेन डेटा के बीच उच्च-क्रम के टोपोलॉजिकल संबंधों को कैप्चर करता है।.
जेनेरेटिव एआई: नए खतरे और रक्षात्मक क्षमताएं
जनरेटिव एआई एक दोधारी तलवार जैसी चुनौती पेश करता है। अपराधी इसका उपयोग सोशल इंजीनियरिंग के लिए यथार्थवादी फ़िशिंग ईमेल, सिंथेटिक पहचान और डीपफ़ेक ऑडियो या वीडियो बनाने के लिए करते हैं। आवाज़ की नकल (वॉयस-क्लोनिंग) करने वाले घोटालों का इस्तेमाल धोखाधड़ी वाले वायर ट्रांसफर को अधिकृत करने और अधिकारियों का रूप धारण करने के लिए किया गया है। 2025 में डीपफ़ेक धोखाधड़ी से होने वाला नुकसान 1.1 अरब अमेरिकी डॉलर तक पहुँच गया।.
रक्षा पक्ष पर, जनरेटिव एआई मॉडल को प्रशिक्षित करने के लिए सिंथेटिक डेटा बना सकता है, जिससे दुर्लभ लेबल्ड धोखाधड़ी के मामलों में वृद्धि होती है। रक्षक हमले के परिदृश्यों का अनुकरण करने और हेरफेर की गई सामग्री का पता लगाने के लिए जनरेटिव तरीकों का भी उपयोग करते हैं। एआई को अब ऐसे पैटर्न की पहचान करने के लिए सामग्री, संदर्भ और उपयोगकर्ता के व्यवहार की एक साथ जांच करनी चाहिए जो वैध इंटरैक्शन को एआई-जनित धोखाधड़ी के प्रयासों से अलग करते हैं। तेज़ी से विकसित हो रही जनरेटिव एआई क्षमताओं से प्रेरित धोखाधड़ी का मुकाबला करने के लिए चल रहे अनुसंधान और विकास आवश्यक हैं।.
नियामक, अनुपालन और नैतिक विचार
वित्तीय धोखाधड़ी का पता लगाने के लिए उपयोग की जाने वाली एआई को नियामकों द्वारा तेजी से उच्च जोखिम के रूप में माना जा रहा है और इसे शासन, पारदर्शिता और निगरानी के लिए कड़े मानकों को पूरा करना होगा। कानूनी अनुपालन से परे, संगठनों को निष्पक्षता, व्यक्तिगत डेटा के जिम्मेदार उपयोग और स्वचालित निर्णय लेने के व्यापक नैतिक निहितार्थों पर विचार करना चाहिए।.
एआई धोखाधड़ी का पता लगाने के लिए विनियामक अनुपालन
EU AI Act कई धोखाधड़ी का पता लगाने वाली प्रणालियों (fraud detection systems) को उच्च जोखिम (high-risk) के रूप में वर्गीकृत करता है, जिसके लिए कठोर जोखिम प्रबंधन, सत्यापन और प्रलेखन की आवश्यकता होती है। प्रसंस्करण के लिए वैध आधार, डेटा न्यूनीकरण, और स्वचालित निर्णय लेने से संबंधित अधिकारों के आसपास की GDPR आवश्यकताएं सीधे ai धोखाधड़ी का पता लगाने वाले समाधानों पर लागू होती हैं। एंटी मनी लॉन्ड्रिंग और स्वचालित केवाई सी सत्यापन विनियमों के तहत निरंतर निगरानी, संदिग्ध गतिविधि की रिपोर्टिंग और मजबूत ऑडिट ट्रेल्स अनिवार्य हैं।.
व्याख्यात्मकता केंद्रीय है। संगठनों को नियामकों और ग्राहकों दोनों के सामने यह न्यायसंगत ठहराने में सक्षम होना चाहिए कि किसी लेन-देन या ग्राहक को उच्च जोखिम के रूप में क्यों चिह्नित किया गया था। ठोस प्रथाओं में मॉडल सत्यापन रिपोर्ट, निष्पक्षता मूल्यांकन और नियमित स्वतंत्र समीक्षा शामिल हैं।.
डेटा गोपनीयता, सुरक्षा और शासन
एआई धोखाधड़ी का पता लगाने में उपयोग किया जाने वाला डेटा अत्यधिक संवेदनशील होता है, जिसमें वित्तीय लेनदेन, व्यक्तिगत रूप से पहचान योग्य जानकारी, डिवाइस पहचानकर्ता और व्यवहार संबंधी संकेत शामिल होते हैं। नियंत्रण अपेक्षाओं में मजबूत एन्क्रिप्शन, सख्त पहुंच नियंत्रण, डेटा प्रतिधारण सीमाएं और क्लाउड बुनियादी ढांचे का सावधानीपूर्वक चयन शामिल है, जो ठीक उसी प्रकार के सुरक्षा उपायों के समान है जो तैनात करते समय आवश्यक होते हैं। केंद्रीय बैंकिंग और मौद्रिक नीति में एआई समाधान.
तीसरे पक्ष के एआई फ्रॉड डिटेक्शन समाधानों के साथ लेन-देन संबंधी डेटा साझा करने के लिए संविदात्मक सुरक्षा उपायों और स्पष्ट डेटा प्रोसेसिंग समझौतों की आवश्यकता होती है। समृद्ध डेटा संग्रह को छद्म नामकरण (स्युडोजिनाइजेशन) जैसी गोपनीयता-संरक्षण प्रथाओं के साथ संतुलित करते हुए भरोसेमंद इनपुट सुनिश्चित करने के लिए, संगठनों को डेटा कैटलॉग, वंशीय ट्रैकिंग (लाइनएज ट्रैकिंग) और गुणवत्ता नियंत्रण सहित मजबूत डेटा गवर्नेंस को लागू करना चाहिए।.
धोखाधड़ी मॉडल में नैतिकता, पूर्वाग्रह और निष्पक्षता
ऐतिहासिक डेटा पर प्रशिक्षित धोखाधड़ी मॉडल अनजाने में ऐसे पूर्वाग्रहों को सीख सकते हैं जो कुछ ग्राहक समूहों या क्षेत्रों को असमान रूप से प्रभावित करते हैं। एआई में पूर्वाग्रह से धोखाधड़ी का पता लगाने में भेदभाव हो सकता है, उदाहरण के लिए जहाँ संरक्षित विशेषताओं के प्रॉक्सी जैसे पिनकोड या डिवाइस का प्रकार भेदभावपूर्ण परिणाम उत्पन्न करते हैं। इसके अतिरिक्त, एआई प्रणालियाँ अटी सटीक परिणाम उत्पन्न कर सकती हैं जिन्हें मतिभ्रम (हैलुसिनेशन) के रूप में जाना जाता है, जो सावधानीपूर्वक सत्यापन की आवश्यकता को रेखांकित करता है।.
जनसांख्यिकीय और सेगमेंट आयामों में नियमित पूर्वाग्रह परीक्षण, प्रलेखित न्यूनीकरण रणनीतियों के साथ, आवश्यक है। उच्च-प्रभाव वाले निर्णयों में मानवीय निरीक्षण, विशेष रूप से जहां खाते बंद किए जाते हैं या सेवाएं अस्वीकार की जाती हैं, अनिवार्य बना हुआ है। संगठनों को मॉडल जीवनचक्र के दौरान लागू निष्पक्षता, पारदर्शिता और जवाबदेही के स्पष्ट सिद्धांतों के साथ एक जिम्मेदार एआई ढांचा स्थापित करना चाहिए।.
एआई धोखाधड़ी पहचान में सामान्य चुनौतियाँ और उनसे कैसे पार पाया जाए
जबकि एआई-संचालित धोखाधड़ी का पता लगाना (फ्रॉड डिटेक्शन) भारी लाभ प्रदान करता है, कई परियोजनाएं अनुमानित कमियों के कारण अपेक्षा से कम प्रदर्शन करती हैं। सबसे आम समस्याओं में डेटा की गुणवत्ता और साइलो, लिगेसी प्रणालियों के साथ एकीकरण, मॉडल की व्याख्या करने की क्षमता, गलत सकारात्मक (फॉल्स पॉजिटिव) प्रबंधन, और प्रतिभा या परिवर्तन प्रबंधन की कमियां शामिल हैं।.
डेटा गुणवत्ता, विखंडन और लेबलिंग
चैनलों में असंगत, अपूर्ण या अलग-थलग डेटा प्रभावी एआई के लिए सबसे बड़ी बाधाओं में से एक है। गलत संरेखित ग्राहक प्रोफ़ाइल और लेनदेन इतिहास में कमियां मॉडल को कमज़ोर करती हैं और उन्हें महत्वपूर्ण संदिग्ध पैटर्न को याद करने का कारण बनती हैं। संगठनों को एक एकीकृत डेटा नींव का निर्माण करना चाहिए, जो प्रबंधित वातावरण में लेनदेन संबंधी, व्यवहार संबंधी और संदर्भ डेटा को समेकित करती है। पर्यवेक्षित सीखने के लिए विवादों और चार्जबैक से पुष्ट धोखाधड़ी को अलग करने वाले उच्च-गुणवत्ता वाले धोखाधड़ी लेबल आवश्यक हैं। एआई पहलों को बढ़ाने से पहले डेटा की सफाई और मास्टर डेटा प्रबंधन में शुरुआती निवेश से लाभ मिलता है।.
विरासत प्रणाली एकीकरण और परिचालन फिट
कई बैंक और बीमा कंपनियाँ दशकों पुराने कोर सिस्टम और ऑन-प्रिमाइसेस रूल इंजन पर निर्भर करती हैं जो रियल-टाइम एआई एकीकरण के लिए नहीं बनाए गए हैं। आम समस्याओं में विलंबता की बाधाएं, सीमित एपीआई और मिशन-क्रिटिकल भुगतान प्रवाह को संशोधित करने में प्रतिरोध शामिल हैं।.
एक वृद्धिशील दृष्टिकोण सबसे अच्छा काम करता है: एपीआई गेटवे, इवेंट स्ट्रीमिंग, या साइड-बाय-साइड स्कोरिंग सेवाएं जो मौजूदा निर्णय इंजन को जोखिम स्कोर लौटाती हैं। ईकॉमर्स कार्ड-नॉट-प्रसेंट जैसे किसी एक चैनल में प्रूफ-ऑफ-कांसेप्ट परिनियोजन, व्यापक रोलआउट से पहले मूल्य प्रदर्शित कर सकते हैं। धोखाधड़ी संचालन, आईटी और वास्तुकला टीमों के बीच घनिष्ठ सहयोग आवश्यक है जब पेश किया जाता है धोखाधड़ी का पता लगाने और ग्राहक अनुभव (CX) के लिए बैंकिंग में एजेंटिक AI.
व्याख्यात्मकता (Explainability), मॉडल जोखिम (Model Risk), और गवर्नेंस (Governance)
जटिल मशीन लर्निंग मॉडल को ब्लैक बॉक्स के रूप में देखा जा सकता है, जिससे आंतरिक हितधारकों और नियामकों के लिए विश्वास संबंधी समस्याएं पैदा होती हैं। संगठनों को यह दिखाने के लिए कि कौन से कारकों ने किसी निर्णय को प्रेरित किया, मॉडल-अग्नnostic स्पष्टीकरण टूल, जैसे कि फ़ीचर महत्व और स्थानीय स्पष्टीकरण, का उपयोग करना चाहिए।.
परिभाषित भूमिकाओं, अनुमोदन प्रक्रियाओं और आवधिक प्रदर्शन समीक्षाओं के साथ एक मॉडल जोखिम प्रबंधन ढांचा महत्वपूर्ण है। दस्तावेज़ीकरण में प्रशिक्षण डेटा, मान्यताओं, सीमाओं और निगरानी योजनाओं को शामिल किया जाना चाहिए। धोखाधड़ी का पता लगाने में एआई के उपयोग की देखरेख के लिए अनुपालन, जोखिम, डेटा विज्ञान और व्यावसायिक स्वामियों सहित शासन समितियों को शामिल करना चाहिए।.
डिटेक्शन, फॉल्स पॉज़िटिव्स और ग्राहक प्रभाव का संतुलन
अधिक धोखाधड़ी को पकड़ने और वैध ग्राहकों के लिए घर्षण से बचने के बीच अंतर्निहित ट्रेड-ऑफ के लिए सावधानीपूर्वक अंशांकन की आवश्यकता होती है। थ्रेशोल्ड ट्यूनिंग, ग्राहक प्रकार के आधार पर विभाजन, और मल्टी-स्कोर रणनीतियाँ ग्राहक अनुभव की रक्षा करते हुए धोखाधड़ी का पता लगाने की सटीकता में सुधार कर सकती हैं।.
ए/बी परीक्षणों जैसे नियंत्रित प्रयोग संगठनों को प्रोडक्शन में जोखिम सीमाओं को बदलने के व्यावसायिक प्रभाव को समझने में मदद करते हैं। व्यावसायिक हितधारकों को जोखिम की भूख के आधार पर प्रति चैनल स्वीकार्य झूठी सकारात्मक दरों (फॉल्स पॉजिटिव रेट्स) को परिभाषित करना चाहिए। सफल कार्यक्रम उभरते हुए धोखाधड़ी पैटर्न और व्यावसायिक प्राथमिकताओं में बदलाव के साथ नियमित रूप से इन ट्रेड-ऑफ (समझौतों) की समीक्षा करते हैं।.
आपके संगठन में एआई धोखाधड़ी पहचान (AI Fraud Detection) को लागू करना
AI धोखाधड़ी का पता लगाने वाले समाधानों के साथ अवधारणा से उत्पादन की ओर बढ़ने के लिए आकलन, डेटा तैयार करने, मॉडल विकास, पायलट परिनियोजन और स्केलिंग तक फैले एक पुनरावृत्ति दृष्टिकोण की आवश्यकता होती है। धोखाधड़ी टीमों, डेटा वैज्ञानिकों, अनुपालन, आईटी और ग्राहक अनुभव लीड के बीच क्रॉस-फंक्शनल सहयोग आवश्यक है।.
उद्देश्यों, केपीआई (KPIs) और जोखिम की भूख (Risk Appetite) को परिभाषित करें
ठोस लक्ष्यों से शुरुआत करें: "18 महीनों में कार्ड धोखाधड़ी हानियों को 20% तक कम करें" या "ई-कॉमर्स चैनल में झूठी सकारात्मकताओं को 30% तक घटाएँ।" मुख्य KPIs में धोखाधड़ी पहचान दर, फर्जी सकारात्मक दर, औसत हैंडलिंग समय, रोकी गई धोखाधड़ी का मूल्य, और मॉडल की सटीकता एवं रिकॉल शामिल हैं। सफलता को कैसे मापा और रिपोर्ट किया जाएगा, इस पर पहले से सहमति बना लें। स्पष्ट उद्देश्य मॉडल डिज़ाइन, थ्रेशोल्ड सेटिंग, और संसाधन आवंटन का मार्गदर्शन करते हैं।.
एक मजबूत डेटा और फीचर इंजीनियरिंग पाइपलाइन बनाएं
ट्रांजेक्शन सिस्टम, सीरम, डिवाइस लॉग और ब्लैकलिस्ट तथा कंसोर्टियम डेटा जैसे बाहरी स्रोतों से डेटा एकत्र करें, साफ करें और जोड़ें। फीचर इंजीनियरिंग, यानी ट्रांजेक्शन वेग (गति), मर्चेंट विविधता और डिवाइस इतिहास जैसे सार्थक चर (वेरिएबल) बनाना, वह जगह है जहाँ अधिकांश मूल्य का निर्माण होता है। स्वचालित डेटा गुणवत्ता जाँच सुनिश्चित करती है कि मॉडल इनपुट सुसंगत रहें। धोखाधड़ी का प्रभावी ढंग से पता लगाने के लिए पाइपलाइन को बैच ट्रेनिंग डेटासेट और कम-विलंबता (लो-लेटेंसी) वाले रियल-टाइम इनफेरेंस प्रवाह दोनों का समर्थन करना चाहिए।.
मौजूदा धोखाधड़ी संचालन और वर्कफ़्लो में एआई को एकीकृत करें
अकेली तकनीक पर्याप्त नहीं है। AI आउटपुट को मौजूदा जाँच, केस मैनेजमेंट और ग्राहक सहायता प्रक्रियाओं में फिट होना चाहिए। उच्च जोखिम वाली चेतावनियों को विश्लेषकों तक प्रासंगिक जानकारी के साथ पहुँचाएँ, जिसमें पिछली चेतावनियाँ, नेटवर्क लिंक और ग्राहक नोट्स शामिल हों, जिन्हें आदर्श रूप से एक एकीकृत वित्तीय सेवा सीआरएम प्लेटफॉर्म. पूर्ण स्वचालित ब्लॉकों की ओर बढ़ने से पहले सलाहकार स्कोर से शुरुआत करें। मानक संचालन प्रक्रियाओं को अपडेट करें और एआई-जनित जोखिम स्कोर की व्याख्या करने पर टीमों को प्रशिक्षित करें। धोखाधड़ी के जोखिमों को कम करने और उत्पादन में थ्रेशोल्ड को समायोजित करने के लिए धोखाधड़ी विश्लेषकों की प्रतिक्रिया महत्वपूर्ण है।.
फ़ीडबैक चक्र को बंद करें और लगातार सुधार करते रहें
जाँच के परिणामों को नियमित रूप से एकत्र किया जाना चाहिए और मॉडल प्रशिक्षण डेटासेट में वापस फीड किया जाना चाहिए। प्रदर्शन डैशबोर्ड को चैनल, उत्पाद, ग्राहक खंड और धोखाधड़ी के प्रकार के आधार पर प्रमुख मेट्रिक्स को ट्रैक करना चाहिए, और इन अंतर्दृष्टियों को जोड़ना चाहिए एआई-संचालित पोर्टफोलियो प्रबंधन रणनीतियाँ व्यापक जोखिम और रिटर्न उद्देश्यों के साथ धोखाधड़ी नियंत्रण को संरेखित करने के लिए। आवधिक बैकटेस्ट और चैलेंजर मॉडल यह सत्यापित करते हैं कि वर्तमान मॉडल इष्टतम बने हुए हैं। AI प्रणालियाँ पहचान में सुधार के लिए नए हमले के पैटर्न से लगातार सीखती हैं, और यह निरंतर सुधार चक्र आवश्यक है क्योंकि नई धोखाधड़ी रणनीति, ग्राहक व्यवहार और उत्पाद प्रसाद विकसित होते हैं।.
AI धोखाधड़ी का पता लगाने के लिए इन्वेस्टग्लास प्लेटफॉर्म का लाभ उठाना
इन्वेस्टग्लास प्लेटफॉर्म एक एकीकृत समाधान प्रदान کرتا ਹੈ जो डेटा एकत्रीकरण, स्वचालित वर्कफ़्लो और उन्नत एनालिटिक्स को एक ही वातावरण में जोड़कर धोखाधड़ी का पता लगाने के लिए एआई का समर्थन करता है। समानांतर में, इसके टूल AI-संवर्धित पोर्टफोलियो प्रबंधन और अनुकूलन यह संस्थानों को निवेश और धोखाधड़ी दोनों कार्यों में लगातार डेटा-संचालित बुद्धिमत्ता लागू करने में मदद करता है। इसका लचीला एपीआई आर्किटेक्चर मौजूदा बैंकिंग धोखाधड़ी प्रणालियों के साथ सहज integración (एकीकरण) सक्षम बनाता है, जिससे संस्थानों को लेनदेन के पैटर्न और ग्राहक डेटा की विशाल मात्रा का कुशलतापूर्वक विश्लेषण करने की अनुमति मिलती है।.
InvestGlass वित्तीय संस्थानों को कस्टमाइज़ेबल डैशबोर्ड और अलर्टिंग मैकेनिज्म प्रदान करके वास्तविक समय में धोखाधड़ी का पता लगाने में मदद करता है, जो धोखाधड़ी विश्लेषकों को उभरते खतरों की तुरंत पहचान करने के लिए सशक्त बनाते हैं। प्लेटफॉर्म के AI टूल में मशीन लर्निंग मॉडल शामिल हैं जो धोखाधड़ी की नई रणनीतियों के अनुसार लगातार खुद को ढालते हैं, जिससे झूठे पॉजिटिव और वित्तीय नुकसान को कम करते हुए पता लगाने की सटीकता में सुधार होता है।.
इसके अलावा, InvestGlass की अनुपालन प्रबंधन सुविधाएँ यह सुनिश्चित करती हैं कि AI-संचालित धोखाधड़ी का पता लगाने की प्रक्रियाएँ GDPR और PSD2 जैसी विनियामक आवश्यकताओं के अनुरूप हों, जो पारदर्शिता का समर्थन करने के लिए ऑडिट ट्रेल्स और स्पष्टता प्रदान करती हैं। InvestGlass का लाभ उठाकर, संगठन अपनी AI धोखाधड़ी का पता लगाने की क्षमताओं में तेजी ला सकते हैं, परिचालन दक्षता बढ़ा सकते हैं, और पहचान की चोरी तथा बैंकिंग धोखाधड़ी के खिलाफ सुरक्षा को मजबूत कर सकते हैं।.
भविष्य का दृष्टिकोण: 2026 और उसके बाद एआई धोखाधड़ी का पता लगाना
कई रुझान आधुनिक धोखाधड़ी का पता लगाने की अगली पीढ़ी को आकार देंगे। संगठित धोखाधड़ी गिरोहों का पता लगाने में सुधार के लिए ग्राफ़ न्यूरल नेटवर्क और गतिशील ग्राफ़ मॉडल को व्यापक रूप से अपनाया जाएगा। ऑन-डिवाइस अनुमान मोबाइल बैंकिंग प्रमाणीकरण के लिए विलंबता और गोपनीयता जोखिम को कम करेगा। गोपनीयता-बढ़ाने वाली तकनीकें जैसे कि फ़ेडरेटेड लर्निंग और विभेदक गोपनीयता डेटा सुरक्षा आवश्यकताओं को पूरा करते हुए संस्थाओं के बीच डेटा साझा करने में सक्षम बनाएंगी।.
EU AI एक्ट के प्रवर्तन चरण सहित सख्त नियामक ढाँचे, धोखाधड़ी की रोकथाम में उपयोग किए जाने वाले सभी AI समाधानों के लिए शासन की अपेक्षाओं को बढ़ाएंगे। सीमा पार और क्रॉस-प्लेटफ़ॉर्म वित्तीय अपराध से निपटने के लिए साझा धोखाधड़ी डेटाबेस और खतरे की खुफिया साझेदारी के माध्यम से संस्थानों के बीच सहयोग का महत्व बढ़ेगा। AI-सक्षम खतरों और AI-संचालित बचाव के बीच हथियारों की दौड़ तेज हो जाएगी, जिसके लिए संगठनों को सक्रिय रूप से विरोधी हमलों का अनुकरण करने और सामग्री, संदर्भ और व्यवहार विश्लेषण को एकीकृत करने की आवश्यकता होगी।.
वित्तीय संस्थानों के लिए अब सवाल यह नहीं है कि धोखाधड़ी प्रबंधन के लिए एआई तकनीक अपनानी है या नहीं, बल्कि यह है कि वे इसे कितनी जल्दी और प्रभावी ढंग से कर सकते हैं। जो संगठन अपने वर्तमान धोखाधड़ी नियंत्रणों का ऑडिट करते हैं, अपने धोखाधड़ी पहचान समाधानों में कमियों की पहचान करते हैं और आज मजबूत एआई क्षमताओं में निवेश करते हैं, वे धोखाधड़ी को रोकने, अपने ग्राहकों की रक्षा करने और विकसित होती विनियामक अपेक्षाओं को पूरा करने के लिए बेहतर स्थिति में होंगे। उस रोडमैप को गति देने का समय आ गया है।.
