使用 MongoDB Vector Search 进行欺诈预防和反洗钱

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。

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事务。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、事务和ACID 事务对方的数据组成。AML 嵌入是根据事务、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。您还可以使用历史事务数据和客户数生成嵌入。
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矢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而扩展，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上一个事务的百分比在数据库中搜索事务。这模拟了人类分析师如何评估事务或可疑案例。

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。对于被拒绝的事务，用户可以联系案例管理服务，并提供事务参考号以了解详细信息。

使用Atlas Vector Search进行欺诈检测和预防具有以下优点：

提升欺诈检测准确性：MongoDB Vector Search 能捕捉到基于规则的模型和机器学习模型常常忽略的复杂高维模式。通过分析交易的完整上下文，MongoDB Vector Search 还可以发现细微的欺诈信号，从而提高对简单模型可能遗漏的复杂方案的检测能力。
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。

此 GitHub 存储库展示了一个演示，其中客户访问银行的网站以执行交易。它专注于交易的清算阶段，在此阶段，银行会进行一系列验证，以防范欺诈行为并遵守制裁措施及反洗钱法律法规。该演示包括用于标记受制裁客户数、反洗钱和欺诈事务的 API。

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。