06.06.2025

Wykrywanie nadużyć i fraudów w czasie rzeczywistym – AI, graph analytics i analiza anomalii

Case study: instytucja finansowa z sektora digital banking

Wprowadzenie i kontekst

Jedna z wiodących instytucji finansowych działających w modelu cyfrowym w Polsce, obsługująca ponad milion klientów indywidualnych i mikrofirm, stanęła w 2024 roku przed rosnącym zagrożeniem związanym z nadużyciami finansowymi. Analizy wewnętrzne i rosnąca liczba zgłoszeń klientów ujawniły dynamiczny wzrost prób fraudu, w tym:

podszywania się pod użytkowników podczas rejestracji konta,
schematów prania pieniędzy z użyciem kont pośrednich („na słupa”),
nadużyć związanych z transakcjami błyskawicznymi i promocjami onboardingowymi.

Dotychczasowe rozwiązania oparte na regułach i analizach ex-post nie nadążały za zmiennością schematów wyłudzeń. W odpowiedzi wdrożono nową architekturę detekcji fraudów, bazującą na:

sztucznej inteligencji do klasyfikacji ryzyka i analizy anomalii,
graph analytics do wykrywania powiązań między kontami i transakcjami,
automatycznym podejmowaniu decyzji w czasie rzeczywistym.

Cel projektu

1. Wykrycie >90% prób fraudu przy false positive rate <2%.

2. Skrócenie czasu detekcji do <30 sekund.

3. Redukcja strat fraudowych o 70% w ciągu pół roku.

4. Automatyzacja ponad 60% decyzji o blokadzie lub eskalacji transakcji.

Diagnoza procesów AS‑IS

W ramach analizy stanu obecnego przeanalizowano ponad 70 scenariuszy nadużyć. Kluczowe problemy:

Średni czas wykrycia fraudu: 12 godzin.
Ponad 1/4 przypadków zgłaszana przez samych klientów.
Brak centralnego systemu korelacji informacji między rejestracją, logowaniem i transakcjami.
Dane o użytkownikach, urządzeniach i kanałach działały w silosach – uniemożliwiało to wykrywanie powiązań.

Architektura TO‑BE

Zespół projektowy zaprojektował hybrydową architekturę łączącą przetwarzanie strumieniowe z analityką grafową:

Graph Engine – Neo4j + Kafka Streams; zbudowano graf użytkowników, kont, urządzeń, numerów IP, geolokalizacji i transakcji.
Anomaly Detection Service – mikro-usługa w FastAPI wykorzystująca modele Isolation Forest i embeddings FraudBERT.
Scoring Engine – klasyfikator XGBoost + silnik reguł (Drools), zintegrowany z backendem płatności.
Feature Store – magazyn cech behawioralnych i kontekstowych (clickstream, lokalizacja, godzina, pattern).
Fraud Ops Dashboard – interfejs analityczny z wizualizacją powiązań i mapą ryzyka (React + Kibana).

Etapy wdrożenia

Faza 1 – Detekcja fraudów przy rejestracji

143 konta zarejestrowane z powiązanych danych (identyczne urządzenie, dokument lub IP).
62 przypadki rejestracji z urządzenia wcześniej powiązanego z nadużyciami.
Wprowadzono scoring w czasie rzeczywistym, blokując >95% fałszywych kont przed aktywacją.

Faza 2 – Analiza anomalii w transakcjach

Model Isolation Forest zidentyfikował transakcje odbiegające od typowego zachowania.
Kluczowe cechy: zmiana lokalizacji, nowe wzorce godzinowe, transfery do nietypowych odbiorców.
91,6% skuteczność detekcji, 89,3% precyzji, średni czas klasyfikacji: 4,8 s.

Faza 3 – Graph analytics i wykrywanie sieci fraudowych

Algorytmy community detection i pathfinding pozwoliły wykryć 4 aktywne siatki fraudowe.
W jednej z nich zidentyfikowano 87 kont połączonych przez wspólne urządzenia i przepływy finansowe.
Łączna wartość zidentyfikowanych transakcji: ponad 1,1 mln zł.

Wyniki po 6 miesiącach

Redukcja średniego czasu wykrycia fraudu: z 12 h do 27 sekund.
Straty fraudowe spadły z 420 tys. zł do 127 tys. zł kwartalnie.
93% fraudów zablokowanych przed realizacją płatności.
38% mniej fałszywych alarmów dzięki personalizacji profilu użytkownika.
ROI projektu: 126% w skali roku, czas zwrotu: 7,5 miesiąca.

Wyzwania i lekcje

Niedobór danych fraudowych – zastosowano syntetyczne dane i oversampling.
Wymóg transparentności modeli AI – wdrożono explainability przez SHAP oraz mapy grafowe.
Ograniczenia systemów legacy – zastosowano warstwę pośrednią z event-streamingiem i mikro‑usługami.
Zarządzanie zmianą – przeszkolono zespół fraud ops w zakresie interpretacji analiz grafowych i korzystania z dashboardu.

Podsumowanie

Projekt pokazał, że wykorzystanie sztucznej inteligencji i analityki grafowej w detekcji fraudów pozwala radykalnie skrócić czas reakcji, zminimalizować straty i poprawić doświadczenie klienta. W środowisku o wysokiej dynamice zagrożeń takie podejście staje się koniecznością, a nie innowacją.

Jeśli Twoja instytucja przetwarza tysiące transakcji dziennie – warto rozważyć hybrydową architekturę detekcji fraudów z AI i graph analytics.
Skontaktuj się z nami – oferujemy assessment luk bezpieczeństwa oraz demo platformy detekcyjnej w modelu plug-and-play.

Autor: JCD

Od przeszło dekady konsekwentnie przekształcamy zaawansowane idee w funkcjonalne aplikacje oraz internetowe platformy usługowe. Nasza działalność koncentruje się na głębokim zrozumieniu natury przedsiębiorstwa oraz kluczowych wymagań, które są fundamentem dla każdego przedsięwzięcia.

Stale łączymy metody kreatywne z systematycznym, badawczym podejściem, przekonani, że jedynie przez dogłębną analizę i zrozumienie specyfiki wyzwań, jesteśmy w stanie w pełni współpracować z naszymi klientami w celu kreowania innowacyjnych rozwiązań. Te rozwiązania nie tylko ulepszają doświadczenie użytkowników, ale również zapewniają naszym klientom strategiczną przewagę na rynku. Nasze procesy projektowe są zatem oparte na aktywnym słuchaniu, szczegółowej analizie i ciągłym dialogu z klientami. W ten sposób nieustannie pracujemy na rzecz tworzenia nie tylko technologii, ale także wartości, które wyznaczają nowe standardy w cyfrowym krajobrazie biznesu.