“我们希望一开始就能将不法分子拦截在大门之外。”PayPal全球风险与数据科学高级总监王慧这样说道。
由于使用PayPal的人很多，支付金额很大，这使得公司不得不为之担心。PayPal每秒钟就会产生10900美元的支付额。在2015年202个国家里，总共有1.88亿使用，支付金额达到了49亿美元。
为了检测出可疑行为，最重要的是为了能够将错误警报和真实诈骗区分开来，PayPal使用了自主开发的一款内置开源工具的人工智能引擎。这一尝试为人类欺诈分析师和人工智能程序建立起了一个纽带，让他们可以互相效力。
这些网络安全侦探员通过对真实个案的分析，会把自己伪装成骗子，或者某个守法的公民。接着他们将依次来制定一些情景，有些是正常合法的，有些则是不正常非法的。然后再将这些不同的行为和程序输入到人工智能程序当中去，“将人类的智力融合到这个系统中去”王慧说。
“这是将人为编造故事的能力，和数据挖掘以及机器学习相结合的一种独特方式。”她说。
通过使用人工智能来进行诈骗调查，在众多大银行当中，PayPal是首个进行这样的尝试的。阿瑞雷在使用人工智能进行银行反洗钱反欺诈领域工作了很多年，他说道，他还没能看到有哪一个银行通过人工智能来进行交易监控和警报调查的。虽然有一些银行在悄然展开这个行动，“但是我确切知道许多银行还只停留在‘想’的阶段。”
PayPal使用机器学习技术已经有10年的时间了。王慧的计算机和数学科学家团队已经为公司研发了许多预测模型，主要的一个就是欺诈检测。
一开始，该小组只是使用一些简单线性模型。近几年来，他们已经朝机器学习科技方向发展了，例如深层学习，这些软件可以通过所谓的神经网络来模仿人类大脑的工作模式，并能识别出数字化的声音，图像和其他数据。
“我们能够从这些现代先进的机器学习技术中学习享受到的是，它能够处理大量的数据，并且可以处理多层次的数据，能发现一些简单科技无法发现的东西，甚至是人类都无法发现的东西。”王慧说道。
一个线性模型能够处理20到30个变量，然而深层学习可以同时处理上千个数据点。“有天壤之别，通过这些科技你可以分析更多的信息，也能够识别出更加复杂的情形。”
对于反欺诈团队而言，其中一个重要的目标就是减少占据系统的大量错误警报，从而使得公司可以专注于打击真正的金融犯罪。当然另外一点就是拦截犯罪分子以合法方式进入到用户的账户里。
王慧举了一个例子。对于传统的分析软件而言，如果它发现同一个账户五天之内从五个网络地址被访问，该系统就会将其标记为可疑行为。然而，PayPal人工智能系统可以更加深入的分析每一种情况，例如，它能够从中发现，该用户的职业是飞行员，他正在公司为他的家人在网上购买礼物。
“为了让我们更好的识别出这些情形，我们需要将这些信息输入到智能机器中去，从而该机器就能够从每一个看似可疑的行为中了解到真实的情况，最终就能正确地对其进行评估。”
该系统能够识别出有一些IP地址是来自机场的WIFI网络，例如，有些设备会自动显示用户的地理位置。
自动将人工检测与AI软件结合起来使用之后，王慧说PayPal将“谎报率”降低了一半。
王慧谈道，当某些合法用户在欺诈检测中被抓到了，公司会发送一些问题给他们以确认其身份。然后再将该检测信息反馈到AI引擎从而帮助该智能系统学习什么是真正的欺诈，什么是错误的警报。
她说，该系统上线不久需要进行很多的操作，所以目前PayPal的使用在欺诈行为的检测和奉献分析上，并没有减轻人类劳动力。但是该机器的使用，让人们可以来进行其他诈骗类型的检测。
目前由于某些原因，银行采用人工智能进行反诈骗的进度很慢。该团队的一名主管说道，这项技术很狠心，变化速度太快。 “其中一个问题就是，为了适应这些新技术，该对目前已有的基础设施进行多大的改革。如果改革范围太广，从人性出发，第一时间你会有所犹豫，因为这意味着你将会投入很大的成本，并且不确定会有多大的回报。”阿瑞雷说道。
另一个问题是要确保监管者可以适应这种新科技。银行家们不愿意回答多余的一些问题，例如“为什么你会使用这种类型的解决方法？”阿瑞雷回答道。
目前许多大型银行对人工智能的使用主要是对非结构化信息的分析上，例如根据不同的列表来核对客户的名字，以及对社交媒体的监控。
例如，如果客户每个月给一个人寄固定数目的钱，而这个人恰巧是嫌疑名单上的，那么此时银行就需要对该行为进行调查，并向当局报告。
“一旦系统掌握到了Facebook，LinkedIn等其他大型社交网站上的数据，那么就会大大提快整个监察过程，也会减少人力劳动。最终的决定需要由分析师来做，他们需要按照银行的相关政策和指导方针来执行。”
