СОВРЕМЕННЫЕ МЕТОДЫ, АРХИТЕКТУРА И ПЕРСПЕКТИВЫ РАЗВИТИЯ МОДЕЛЕЙ ДЛЯ МИНИМИЗАЦИИ РИСКА МОШЕННИЧЕСТВА В БАНКЕ

Abstract

Стремительное развитие цифровых финансовых сервисов, мобильного банкинга и онлайн-платежей сопровождается существенным ростом масштабов финансового мошенничества. Традиционные антифрод-системы, основанные на фиксированных правилах, постепенно теряют эффективность в условиях высокой динамики мошеннических сценариев, роста объемов транзакций и усложнения киберугроз. В статье представлен аналитический обзор современных подходов к построению систем транзакционного и поведенческого антифрода в банковском секторе. Рассматриваются методы машинного обучения, поведенческого профилирования, графового анализа, интерпретируемого искусственного интеллекта, федеративного обучения и потоковой обработки данных в режиме реального времени. Особое внимание уделяется проблемам дисбаланса классов, дрейфа концепции, интерпретируемости моделей и обеспечению конфиденциальности данных. Предлагается концепция интегрированной адаптивной антифрод-платформы, объединяющей транзакционный мониторинг, поведенческую аналитику, графовый анализ и интерпретируемый AI в единую систему интеллектуального обнаружения мошенничества