金融詐騙情事層出不窮。隨著全球交易量的增加及數位科技的進步，金融詐騙計畫的複雜性和頻率也在不斷提高。
網路資安公司 McAfee 在2018年的一份報告 中估算，網路犯罪每年給全球經濟造成的損失約為六千億美元，相當於全球國內生產總值的 0.8%。
信用卡詐騙是最普遍，也是最能夠預防的網路犯罪案件之一，網路交易量的增長使得這種犯罪益嚴重。
這正是全球性金融服務公司美國運通（American Express）正在開發深度學習生成和序列模型之故，以求遏止網路詐騙交易。
美國運通機器學習研究部門副總裁 Dmitry Efimov 表示：「對我們來說，在策略上最具具重要性的使用案例，便是偵測交易詐騙。開發能夠更準確辨識和拒絕詐騙購買企圖的技術，有助於我們保護客戶和商家。」
發掘大數據的價值
美國運通組織了多支團隊，使用生成對抗網路（GANs ）進行研究，以按照人口稀少的細分市場來建立合成資料。
在大多數金融詐騙的使用案例中，使用歷史交易資料來開發機器學習系統。這套系統使用深度學習模型即時掃描收款內容、辨識詐騙交易相關模式，接著標記異常情況。
在新產品發佈等某些情況下，生成對抗網路可以產生出更多資料來協助訓練和開發更精確的深度學習模型。
美國運通擁有遍及全球的數千萬名客戶和商家網路，得處理大量的結構化及非結構化資料集。
美國運通的研究團隊使用數百個資料特徵（包括交易資料的時間戳記），發現序列深度學習技術（如長短期記憶 和時間卷積神經網路）可以適用於交易資料，以產生出較傳統機器學習方法更佳的結果。
這些結果帶來了回報。
Efimov 說：「這些技術對客戶體驗產生了重大影響，使得美國運通可以提高檢測速度，且利用自動化決策流程來避免損失。」
使用 NVIDIA GPU 完成交易
美國運通得要處理極為大量的客戶和商家資料，選擇使用 NVIDIA DGX-1 系統 ，這套系統搭載八個 NVIDIA V100 Tensor Core GPU，且使用 TensorFlow 和 PyTorch 軟體來建立模型。
該公司還使用有著 NVIDIA GPU 助力的機器學習技術，以預測客戶違約率和分配信用額度。
「我們的正式生產環境必須在幾毫秒內做出決定，解決這件事的最好辦法便是使用NVIDIA GPU。」Efimov 說。
這套系統將於明年導入正式生產環境，團隊計畫使用 NVIDIA TensorRT 平台 進行高效能的深度學習推論，以即時部署模型，這將有助於改善美國運通的詐騙與信用損失率。
Efimov 將出席明年三月在聖荷西舉行的 GPU 技術大會 ，並在會中展示美國運通團隊的研究成果。如要取得更多美國運通信用風險管理使用案例的資訊，誠摯邀請報名參加明年的 GTC 大會。在這場舉世矚目的人工智慧大會中，能夠針對各行各業運算相關重大主題，取得眾多精彩見解、訓練資源，還能直接接觸到業界專家。