Исследователи представили многоуровневый подход к выявлению финансовых махинаций, объединяющий графовые признаки, методы объяснимого ИИ и агентное расследование. Система анализирует транзакции с помощью градиентного бустинга и автокодировщиков, а для случаев с высокой степенью неопределенности подключает LLM-агента, который проводит детальное расследование, обеспечивая прозрачность и возможность аудита принимаемых решений.
Архитектура решения строится на комбинации структурных данных, извлеченных из графов транзакций, и интерпретируемых моделей. Использование TreeSHAP позволяет специалистам понимать логику классификатора, что критически важно для регуляторных требований. Внедрение агентного слоя автоматизирует первичную проверку подозрительных операций, снижая нагрузку на аналитиков и повышая точность выявления фрода в условиях растущих объемов данных.
Данная методология была протестирована на наборе данных PaySim, имитирующем реальные банковские транзакции. Агентный компонент выступает в роли «второго мнения», анализируя контекст операций, которые классическая модель пометила как пограничные. Такой подход позволяет не только повысить эффективность обнаружения угроз, но и сократить количество ложноположительных срабатываний, требующих ручного вмешательства.
Ключевые факты
- В основе системы лежит комбинация градиентного бустинга, графовых признаков и автокодировщиков для выявления аномалий.
- Для интерпретации решений модели используется метод TreeSHAP, обеспечивающий прозрачность классификации.
- LLM-агент применяется исключительно для расследования транзакций с неопределенным статусом, что оптимизирует вычислительные затраты.
- Тестирование проводилось на датасете PaySim, который моделирует динамику финансовых операций и мошеннических схем.