Как учат нейросети ловить мошенников и почему это не всегда работает

По данным Банка России, за 2025 год мошенники похитили у россиян 29,3 млрд рублей — на 6,4% больше, чем годом ранее.

При этом банки смогли вернуть клиентам менее 6% похищенного. Одна из причин — не в слабости алгоритмов, а в нехватке реальных примеров мошенничества для обучения нейросетей, выяснили исследователи Московского политеха.

Абсолютное большинство банковских операций легитимны, а доля мошеннических — тысячные доли процента. Нейросеть, обученная на таких данных, видит миллионы нормальных транзакций и единичные случаи обмана. Она быстро находит самый простой способ снизить общее число ошибок — почти всегда отвечать, что операция законна. Формально точность высокая, но мошенников такая модель пропускает чаще всего, сообщает ТАСС.

Чтобы компенсировать этот перекос, разработчики используют несколько подходов. Метод SMOTE добавляет в выборку искусственные примеры мошенничества. Генеративно-состязательные сети придумывают правдоподобные воображаемые случаи. Ещё один способ — взвешивание классов: модель получает больший штраф за пропущенного мошенника и начинает внимательнее проверять подозрительные операции. Графовые нейронные сети анализируют связи между счетами и клиентами как единую сеть, позволяя находить целые группы мошенников. А системы с подкреплением перестраивают стратегию под новые схемы обмана без участия разработчиков. Современные модели машинного обучения достигают точности 88–94%, но лучшие результаты дают комбинации алгоритмов.

Главные ограничения: банки не могут делиться реальными данными из-за конфиденциальности, сложные нейросети плохо объясняют свои решения, а мошенники быстро меняют схемы.