使用MongoDB Atlas Vector Search 将实时分析与语义搜索相结合，检测和防止欺诈。
解决方案概述
欺诈和反洗钱 (AML) 是企业和消费者主要关注的问题，影响着商业银行和资本市场的金融服务机构。解决这些问题的传统方法（例如基于规则的系统和机器学习方法）受到保持模型更新所需的工程开销的限制，从而导致技术过时。
MongoDB Atlas Vector Search 可以通过解决这些限制来改进欺诈检测和反洗钱工作。该解决方案通过Atlas Vector Search进行实时分析和持续监控，以检测和防止新出现的威胁。
参考架构
该解决方案聚合欺诈和 AML 数据，创建向量嵌入，并执行语义搜索以检测类似交易。下图详细说明了该解决方案的架构：
图 1.欺诈检测/反洗钱系统的高级架构
用于嵌入的 Voyage AI ：首先，该解决方案通过在ACID 事务数据上使用嵌入模型来生成嵌入。欺诈嵌入由文本、交易和ACID 事务对方的数据组成。 AML 嵌入是根据交易、交易对手之间的关系及其风险状况创建的。您可以使用 Voyage AI创建嵌入。您还可以配置用于创建嵌入的数据源的选择。
该解决方案演示使用综合生成的测试数据预填充数据库，用于欺诈和 AML 嵌入。您还可以使用历史ACID 事务数据和客户档案生成嵌入。
MongoDB Atlas作为操作数据存储： MongoDB Atlas允许用户同时存储操作数据、元数据和向量嵌入。这样就不再需要专用的向量数据库等利基技术。 MongoDB具有可扩展的架构和部署用于工作负载隔离性的专用搜索节点的选项，可帮助组织随着数据集的增长扩展，并动态适应新的欺诈或洗钱模式。
Atlas Vector Search为应用程序提供支持： Atlas Vector Search根据具有类似特征且被标记为可疑活动的先前事务的百分比在数据库搜索事务。这模拟了人类分析师如何评估交易或可疑案例。
如果一笔ACID 事务被标记为欺诈或可疑，该解决方案将拒绝该ACID 事务请求。否则，它将成功完成ACID 事务并显示确认消息。对于被拒绝的交易，用户可以联系案例管理服务，并提供ACID 事务参考号以了解详细信息。
Atlas Vector Search的优势
使用Atlas Vector Search进行欺诈检测和预防具有以下优点：
提高了欺诈检测的准确性： Atlas Vector Search可以捕获基于规则的机器学习模型经常忽略的复杂的高维模式。通过分析完整的交易上下文， Atlas Vector Search还可以发现微妙的欺诈信号，从而改进对较简单模型可能遗漏的复杂方案的检测。
更快检测新的欺诈方案：通过实时异常检测，Atlas Vector Search 能够更快速地识别新的欺诈或洗钱手法，在无需持续重新训练模型的情况下降低新兴威胁的风险。
存储结构化和非结构化数据： MongoDB将向量嵌入存储在源数据和元数据旁边。在数据库中插入或更新向量时，会自动对其进行索引。
构建解决方案
此 GitHub存储库 提供了一个演示，其中客户访问银行网站以执行交易。它专注于ACID 事务的清算阶段，在此阶段，银行会进行一系列验证，以打击欺诈并维护制裁和反洗钱法律。该演示包括一个API ，用于标记受制裁客户、AML 和欺诈交易。
此解决方案需要一个嵌入模型来生成向量嵌入。上面链接的演示不包括提供商凭证。您可以使用 Voyage AI作为嵌入服务。
关键要点
构建由...提供支持使用不同数据类型的语义搜索和生成式AI系统提供支持的智能应用程序。
将向量嵌入与源数据和元数据一起存储。如果插入或更新向量，它们会自动同步到向量索引。
通过搜索节点优化资源消耗、提升性能并增强可用性。
使用MongoDB Atlas消除运营开销。