🕵️ AI-виявлення шахрайства

Граф транзакцій між рахунками: граф-нейромережа (GNN) поширює оцінку ризику від «шумних» ознак кожного рахунку до сусідів через message passing, виявляючи координовані кільця шахрайства, які непомітні при аналізі одного рахунку окремо.

Керування

Поріг ризику (скоринг) 55%

Глибина поширення GNN (хопи) 2

Потік транзакцій, шт/с 6

🛡 AML-моніторинг кластерів

Показники

0/0Позначено ризикованих

0Затримка скорингу, мс

0%Середній ризик мережі

Як це працює ▾

Кожен рахунок має початкову ознаку ризику (швидкість транзакцій, циклічність сум). Сама по собі вона рідко викриває шахрайство — кільця відмивання коштів маскують окремі перекази під звичайні. GNN натомість поширює сигнал по графу зв'язків (message passing):

h(k+1)_i = 0.45·h(k)_i + 0.55·mean_{j∈N(i)} h(k)_j

Після K «хопів» ризик сусідів кільця шахрайства «заражає» їхнє найближче оточення — так виявляються приховані спільники, яких не видно за ознаками одного рахунку. Рахунок позначається як підозрілий, коли підсумкова оцінка перевищує поріг:

flag_i = 1, якщо h(K)_i > поріг

Поріг ризику — вищий поріг = менше хибних спрацювань, але й ризик пропустити шахрайство.
Глибина GNN — більше хопів = сигнал сягає далі по мережі зв'язків, виявляючи цілі кільця, а не окремі вузли.
Потік транзакцій — швидкість появи нових переказів, що проходять через модель скорингу в реальному часі.

Транзакційний граф · GNN-скоринг наживо

Three.js · WebGL