編者案：Catherine Lu是DataVisor的技巧產物司理，本文論述了人工智能襲擊訛詐行動的三種重要辦法。

　　人工智能將成為將來的主流。它會在聯網的家里、車里和其他任何處所涌現。固然它其實不像外星人一樣吸引眼球，然則人工智能在偵察訛詐行動上起到了主要的感化。牽制訛詐行動是一場耐久戰。這場戰斗中的兩邊——大好人陣營和壞人陣營，都在賡續疾速停止調劑，以讓人工智能施展它的最年夜感化。

　　人工智能以后有三種重要的辦法反抗訛詐行動，分離對應人工智能的開辟范疇。它們是：

　　1.規矩和信用列表

　　2.監視機械進修

　　3.無監視機械進修

　　規矩和信用列表

　　在明天，許多古代的組織應用規矩和信用列表襲擊訛詐，這個相似于“專家體系”，它在1970年月初次進入人工智能范疇。專家體系是聯合了范疇專家制訂的規矩的盤算機法式。它們易于啟動和運轉，而且有人的懂得才能，但它們異樣也遭到了不靈巧性和須要年夜量人力這兩方面特征的限制。

　　“規矩”是指人編碼的一個邏輯語句，它用來偵察有訛詐的賬戶和行動。舉個例子，一個機構能夠會制訂一個規矩：“假如一個賬戶消費了跨越一千美元買一個器械，坐標在尼日利亞，且登錄時光小于24小時，那就阻擋這筆生意業務。”

　　信用列表，類似地，樹立在已知的不良行動的基本上。信用列表就是一個顯示一些IP地址、裝備類型和其他個體特點及其對應的信用評分的列表。然后，假如一個賬戶的IP地址涌現在黑名單列表上，你就去阻擋它們。

　　固然規矩和信用列表是偵察并預防訛詐的一個好辦法，然則它很輕易被收集罪犯玩弄于股掌間。現在，數字辦事觸目皆是，招致注冊進程變得愈來愈輕易。是以，訛詐者只需花一點的時光便可以創立幾十個乃至數千個賬戶，然后應用這些賬戶去進修規矩和信用列表。犯法者可以便利地拜訪云托管辦事、虛擬公有收集、匿名電子郵件辦事、裝備仿真器和挪動裝備閃存，從而逃過信用列表的疑惑。

　　自1990年月以來，專家體系在許多范疇都掉寵了，它輸給了更先輩的技巧。明顯，我們應當有更好的反訛詐的對象。但是，古代公司中的許多反訛詐團隊仍在用這類根本的辦法去偵察訛詐，這招致了年夜量的人工評價開支、誤報和不良的偵察成果。

　　監視機械進修(SML)

　　機械進修是人工智能的一個分支，它測驗考試著去處理以后靈巧性缺掉的成績。研討人員想讓機械從數據中獲得信息，而不是為盤算機應當自動尋覓的器械編程（與專家體系分歧）。機械進修在1990年月開端獲得卓著的提高，到了2000年月它被有用地用于反訛詐。

　　監視機械進修可運用于訛詐是一個很年夜的提高。它與規矩和信用列表有很年夜的差別，由于它不再只是經由過程簡略的規矩看幾個特點，而是參考一切的特點。

　　這類辦法有一個缺陷。一個用于偵察訛詐的監視機械進修的模子必需應用汗青數據來斷定訛詐賬戶和行動，并辨認好的賬戶和行為。隨后，模子可以閱讀與賬戶相干的一切的特點來做出決議。是以，模子只能找出和本來的進擊類似的訛詐行動。很多狡詐的古代訛詐者依然可以避開這些監視機械進修的模子。

　　運用于偵察訛詐的監視機械進修是一個正在成長的活潑范疇，有許多的監視機械進修的模子和辦法。例如，將神經收集運用于訛詐長短常有贊助的，由于它可以主動化特點進程，而這個步調長短常昂貴而且須要工資干涉的。這個辦法絕對其他監視機械進修模子，可以削減誤報和漏報的產生頻率，例如支撐平安虛擬機和隨機叢林模子，由于隱蔽的神經元可以比人類編出更多的特點能夠性。