即時反詐:金融機構如何用 AI 攔截詐騙交易,又把誤攔率壓到可維運水準

凌晨兩點,一家區域銀行的風控值班室,警報跳了。系統攔下一筆從高雄某咖啡店刷出的三萬八千元交易,判定為盜刷。持卡人當場刷不過,在店裡尷尬地翻第二張卡。那筆交易其實是本人。

隔天早上,客訴進來了。而真正該攔的那一筆——同一小時、從境外 IP 發起的小額測試扣款——系統放行了。

這就是即時反詐每天在打的仗。不是「能不能抓到詐騙」,是「抓到詐騙的同時,你誤傷了多少正常客戶」。做 AI 金融反詐,真正難的從來不是模型準不準,而是你願意為了多攔一筆詐騙,承受多少誤攔的代價。這篇我們用風控主管的視角,把這個取捨攤開講。

為什麼規則引擎撐不住,又不能直接丟掉

多數銀行的反詐底層,到今天還是規則引擎:金額超過門檻、異地登入、短時間多筆——命中就攔。規則的好處是可解釋、可稽核,監理來問「你為什麼攔這筆」,你答得出來。

問題是詐騙手法一週換一個版本,規則永遠慢半拍。而且規則堆到一定數量後會互相打架:為了堵一個新型態,你加一條規則,結果誤攔率跳三個百分點,客服電話被打爆。我們進場看過最誇張的一家,活躍規則有四百多條,沒人敢動,因為動哪一條會連帶影響什麼,早就沒人說得清。

AI 的價值不是取代規則,是補上規則看不到的那一層——交易之間的關聯、行為序列的異常、裝置指紋的細微漂移。真正能上線的架構,是規則與模型並行:規則守住可解釋的紅線,模型負責抓那些「說不出具體理由、但整體很不對勁」的樣態。

攔截架構長什麼樣,以及每一層的取捨

即時反詐的核心矛盾是時間。授權交易的決策視窗通常只有幾百毫秒,你不可能在這個視窗裡跑一個沉重的模型。所以實務上會分層:

這張表的關鍵在最右欄。即時層要極度保守,因為在收銀台前被拒絕的體驗代價太高,一次就可能流失一個客戶。真正吃重的判斷往回推到準即時層,而那一層最聰明的設計不是「拒絕」,是「升級驗證」——推一個簡訊 OTP、要求 App 生物辨識。你把二元的「攔或放」,變成三元的「放、驗、攔」。中間多出來的那個選項,是誤攔率能壓下來的最大功臣。

false positive 不是統計數字,是有人的一天被毀了

風控團隊很容易掉進一個陷阱:把 false positive 當成一個要優化的百分比。但每一個誤攔背後,是一個在超市結帳、在醫院繳費、在國外訂不到旅館的真實客戶。

我們幫一家發卡機構做過一次盤點,他們的模型帳面上 recall(抓到詐騙的比例)很漂亮,九成以上。但拉出誤攔清單一看,被反覆誤攔的客戶高度集中在幾個族群:常出差的商務客、跨境電商賣家、剛換手機的人。這些偏偏是高價值、高活躍的客戶。模型為了追全域的 recall,系統性地懲罰了行為「不夠一般」的人。

所以我們現在做 AI 金融反詐,一定會問客戶一個問題:你的誤攔預算是多少?這不是一句漂亮話。它應該是一個寫進 SLA 的數字——例如「每千筆正常交易,誤攔不得超過 X 筆」,而且要按客群分層設定。給白金卡商務客的誤攔容忍度,本來就該比一般帳戶更嚴。把這個約束明確寫下來,模型調校才有方向,不然工程師只會無止境地往 recall 那一頭跑。

上線之後,才是真正的工作開始

Demo 場上,一個反詐模型可以做得很漂亮:歷史資料回測,AUC 零點九幾,滿場點頭。但我們反覆看到的是,同一個模型上線三個月後,效果掉一大截。原因是詐騙會反應——你堵住一條路,他們換一條;而正常客戶的行為也在漂移,疫情、換季、發薪日,分佈一直在動。

所以真正扛得住的反詐系統,標配是三件事:一是持續監控模型漂移與誤攔分佈,發現某個客群誤攔率異常上升就要能立刻回溯;二是要有人審清單,把每天的誤攔與漏抓做成回饋,餵回下一輪訓練;三是留一條隨時能把某條規則或某個模型版本手動退場的路,監理或大量客訴來的時候,你要能在幾分鐘內止血,而不是等下一次發版。

這也是我們一直強調的:反詐不是交付一個模型就結束,是把工程師放進客戶的風控現場,陪著調閾值、看誤攔清單、跟客服對帳,直到系統真的在生產線上穩定運轉、風控主管敢在監理會議上為它背書。Demo 很美不算數,上線且真的攔得準、又不誤傷客戶,才算數。