與經濟的許多領域一樣，數字技術在金融業中發揮著越來越重要的作用。比如人工智能 (AI) 和機器學習 (ML) 等自動化技術，提高了銀行的運營效率，同時創造了更加順暢的客戶體驗。

然而，數字銀行和金融業務的變革，尤其是在新冠疫情期間，為網絡犯罪分子提供了新的機會去攻擊金融業這個極具誘惑力的目標。這也導致金融犯罪和網絡犯罪在近年來呈現融合之勢。 信息安全雜志（Infosecurity ）最近采訪了Resistant AI的創始人兼首席執行官、布拉格捷克科技大學的講師兼高級研究員馬丁·雷哈克（Martin Rehak），討論了針對金融業網絡攻擊的演變以及緩解這些威脅的應對措施。

近年來，我們所看到的金融犯罪和網絡犯罪融合到了什么程度？

技術因素令網絡犯罪成為金融犯罪的最大源頭，它開啟了易受攻擊的漏洞之門。然而，這種方式最近發生了改變。

它曾經是一個非常簡單的場景：欺詐者侵入個人電腦（PC）或筆記本電腦并在瀏覽器上安裝跟蹤器，當用戶登錄自己的網銀時，欺詐者便可以進入他們的銀行賬戶進行洗錢或偷錢。這個例子表明了金融犯罪和網絡犯罪在最基本層面上的融合——但它不再是主要威脅。

如今，組織在網絡犯罪方面面臨的關鍵問題主要是大規模的黑客攻擊。犯罪分子攻擊的不是安全系統，而是公司賴以開展在線業務流程的自動化和人工智能系統。欺詐者已經組織成專家角色，可以工業化地生成新的偽造文件和身份，并將它們加載到金融系統中（每小時可多達數千份），然后將它們賣給其他犯罪分子，無需見面，所有交易均在線處理。

這種黑客攻擊行為模糊了欺詐、洗錢和網絡犯罪之間的界限。因此，傳統負責欺詐風險和合規性的團隊需要開始像網絡安全專家和黑客一樣思考，并共享相關風險狀況、人員、流程和技術的數據和情報，以阻止敵人的追蹤。

您能否舉例說明結合網絡技術、欺詐和洗錢的網絡攻擊？這些攻擊是否特別難以察覺和阻止？

我們以保險欺詐為例，如今人們可以獲得 50 個被盜身份或輕松創建 50 個假的數字身份。欺詐者用這 50 個名字投保，然后為這些人偽造事故并向保險公司索賠。其中 25 項索賠可能會被拒絕，但也有25 項可能會成功，而賠償金則直接賠付給了犯罪分子。即使犯罪隨后被舉報和調查，當局尋找和調查的也是不存在的人或身份被盜的無辜者。

當你發現其中一些身份被完全不同的犯罪分子用來創建加密交易賬戶，并清洗勒索軟件攻擊的收益時，問題的嚴重性就顯而易見了。 

以他人名義進行的欺詐行為大幅增加，其規模之大連警方都無法應對。只有銀行和金融科技機構內部的金融犯罪打擊團隊才能真正解決這一問題。

檢測和阻止這些攻擊的難度主要取決于部署方法。僅依靠人工干預的傳統方法不足以快速應對數字欺詐，而且過于耗時。相信簡單自動化或基于規則的人工智能能迎頭趕上，只是造成了當前黑客猖獗的混亂局面。即使是更智能的人工智能系統，如果不全面考慮新客戶，也無法阻止這一趨勢。 

我們需要一種實時身份取證來幫助確認新客戶的真實身份，如果現有客戶已受到威脅，便不再按預期行事。

人工智能和機器學習在金融服務領域的發展在多大程度上會帶來新的欺詐挑戰和威脅？

至少，新冠疫情的發生，令能夠快速和即時支付交易的數字及移動客戶平臺的弱點暴露無遺，幾乎沒有客戶身份驗證或交易驗證的時間。同樣的，在數字時代，你的客戶 (KYC) 和客戶入職難以了解，使金融服務機構及其客戶面臨網絡犯罪和金融欺詐的風險顯著增加。

金融服務的快速擴張和自動化使客戶摩擦最小化，這給驗證和風險管理政策以及實踐帶來了新的挑戰。現在評估數字交互是否真實引用來自多個來源的大量數據，包括地理位置、會話行為、商家、機構和客戶檔案的數據等。

此外，如今的金融欺詐者正在成為針對這些復雜數字環境的專家，并正在使用區塊鏈和即時支付等創新手段來對付銀行及其客戶。

組織應該如何應對這些威脅？

人工智能和機器學習的作用很明確，它是實時有效監管現代金融體系的唯一尺度因素。它將最高級的文檔和客戶行為評估結合在一起，以揭示合成身份、試圖接管賬戶、洗錢以及其他新型的金融服務欺詐行為，其中許多都源于網絡犯罪。使用算法、方法和能力之間不斷完善的體系，以及用數據去學習攻擊模式，便可以減輕威脅。

與此同時，需要注意的是，犯罪分子本身也在使用人工智能和機器學習來支持他們的活動，所以這就像一場貓捉老鼠的游戲，金融服務必須不斷發展以贏得勝利。 

如今，由人工智能驅動的實時身份取證能夠檢測到高級金融犯罪、欺詐和操縱行為，并擅長將這些點連接起來，以發現它們所保護的底層系統中未曾識別的漏洞，從而阻止未來的攻擊。

參考鏈接：https://www.infosecurity-magazine.com/interviews/cyber-challenges-financial-services/