「水獭叩艇」用AI打造金融诈骗侦测新系统

「水獭叩艇」团队以AI强化金融诈骗侦测系统，获台新金控金融创新组优胜。DIGITIMES摄

随着犯罪集团扩大使用信息科技的范畴，全球金融诈骗事件数量逐年创下新高，也成为各国政府与金融产业的头痛问题。根据Nasdaq Verafin公布研究报告指出，2023年全球金融诈骗与银行诈骗造成的损失估计达4,856亿美元，整体非法资金流动总额高达3.1万亿美元。

在「2025云涌智生：台湾生成式AI应用黑客松竞赛」中，「水獭叩艇（Otter Coding）」团队发现传统金融机构防范此类事件发生时，往往依赖大量人工检视与运用旧有模型筛选，存在既耗时又难以实时反应的痛点。

为此，团队提出一套结合AI等多项先进技术的金融诈骗侦测系统，可全面提升金融机构的反诈欺应变能力，最终顺利在竞争激烈的台新金控「金融创新」组胜出。

以AI驱动防诈新策略 精准识别可疑帐户

为解决现行传统防堵金融诈骗的痛点，「水獭叩艇」团队从两大面向着手，第一点是利用台新银行提供的银行交易纪录与基本帐户数据，运用AI模型判断潜在警示帐户，以及实时标注警示帐户，达到提升防诈警觉、降低人力负担。第二点则是进一步透过大型语言模型反向分析现有侦测系统，找出模型优化的潜在方向，使防诈系统能持续成长、更加精准。

在完成Amazon Web Services（AWS）提供的生成式AI示范工作坊，以及分析台新银行提供的数据内容之后，「水獭叩艇」团队在正式比赛前一周，便利用下班时间齐聚思考AI模型设计方向，并提出数据驱动、模型优化与自动化的概念，最终决定从5大阶段进行设计与建置。

首先在模型训练阶段，运用可视化数据准备工具Amazon SageMaker Data Wrangler整合交易纪录、帐户基本数据与警示信息，进行特徵工程，并以XGBoost分类模型进行训练与优化，兼顾高精准率与召回率。其次在诈骗预测阶段，将交易数据转换成特徵矢量，并输入模型进行风险评估，借此快速识别高风险帐户。

「水獭叩艇」团队在第三阶段的结果评估中，藉由比对预测与实际诈骗帐户清单，计算Precision、Recall 与F1-score，并深入分析错误类型。在第四阶段的AI分析功能部分，运用生成式AI基础模型托管服务 Amazon Bedrock上Anthropic的Claude 3.5 Sonnet v2模型进行第二层风险分析，提出模型优化建议，协助金融专家解读诈骗模式。

最后在云端部署与展示阶段，团队在前端UI部分透过前端开发工具AWS Amplify部署，并将数据存储于Amazon S3，可提供实时且直觉的视觉化分析界面。

「水獭叩艇」认为AWS的生成式AI技术示范工作坊以及DIGITIMES的活动规划与场地准备都很完善。未来也希望在本次优胜的基础上，在其他比赛中取得佳绩。