每秒7万笔交易。
这是Mastercard在去年12月假期高峰期面临的恐怖流量。
想象一下，全球无数人在同一时刻刷卡、点击“购买”，数据像海啸一样涌来。而在这些合法交易的洪流里，混入了一群伪装得极好的骗子。
要在不到300毫秒的时间内——也就是你眨一下眼都还没完成的时候——把那些脏钱挑出来，还不能误伤正常用户。这简直是在走钢丝。
说实话，以前这种活儿主要靠运气和简单的规则，骗子很容易就能绕过去。但现在，事情变得有意思了。
Mastercard搞出了一个叫 Decision Intelligence Pro (DI Pro) 的东西，他们要把这场“猫鼠游戏”的规则彻底改写。
一场和时间的赛跑
“我们试图解决的根本问题，是实时评估。”
Johan Gerber 是 Mastercard 安全解决方案的执行副总裁，他在最近的播客里把这事儿说得很直白。从你刷卡的那一刻起，数据流过 Mastercard 的编排层，再回到网络，最后到达发卡银行。这一整套流程，通常必须在300毫秒内跑完。
银行最后拍板说“通过”还是“拒绝”，但这决策的质量，全看 Mastercard 给出的风险评分准不准。
以前我们觉得，找欺诈就是找“异常”。
但这有个大坑：有时候你突然买了个大件，或者去了个没去过的国家，行为确实异常，但这真的是你本人干的。
Mastercard 的逻辑变了。他们不找异常，找的是“匹配”。## 把欺诈检测做成“推荐算法”
这招挺绝的。
DI Pro 的核心是一个循环神经网络（RNN），Mastercard 把它叫做“逆向推荐器”架构。
什么意思？
大家都刷过抖音或者淘宝吧？算法会猜你喜欢什么商品，然后推荐给你。Mastercard 干的事儿其实差不多，只不过它是反着来的。
它会问：“基于这个用户过去所有的行为，他现在出现在这个商户，合不合理？如果是推荐算法，我们会推荐这个商户给他吗？”Chris Merz，Mastercard 的数据科学高级副总裁，解释得更细。
他说他们把欺诈问题拆成了两块：用户的模式，和骗子的模式。
“我们要做的，就是把这两者剥离出来。”
如果这笔交易看起来像你平时干的事儿，那就放行；如果它看起来更像是一个骗子会干的事儿——哪怕金额不大，行为也不算太“异常”——那就要警惕。
把一年的知识塞进50毫秒
这里有个很现实的难题：数据主权。
数据得留在本地，得符合当地的法律和隐私规定，不能随便乱传。但骗子可是全球流动的啊，光靠本地的数据够用吗？
Mastercard 的解决方案有点“取巧”。
他们用的是聚合后的、完全匿名化的数据。既然不涉及隐私敏感信息，那就可以放心地喂给全球的模型。
Gerber 说得很形象：“我们仍然可以让全球模式影响每一个本地决策。”
“我们把一年的知识压缩进一笔交易里，在50毫秒内给出判断：好的，或者坏的。”
这信息密度，确实有点吓人。
用蜜罐反杀骗子有意思的是，AI 也在武装骗子。
现在的骗子利用 AI，开发新技术的速度快得离谱，总能找到新的漏洞。
既然如此，那就去骗子的地盘上打架。
Mastercard 开始用一种叫“蜜罐”的技术，简单说就是布置一些假环境，专门等着骗子来咬。
当骗子以为自己钓到了大鱼，开始跟 AI 代理互动，试图把钱转走的时候，其实他们已经暴露了。
Gerber 提到，这招之所以“威力巨大”，是因为骗子最后总得把钱弄出来。他们需要一个合法的账户，哪怕中间隔了十层洗钱网络，只要找到一个“骡子账户”，防御者就能用图技术把整个欺诈网络给画出来。一旦连点成线，那就是一张全球欺诈地图。
“当我们主动出击时，感觉真棒，” Gerber 说，“毕竟他们已经让我们够头疼了。”
老实讲，这种“以彼之道还施彼身”的打法，比单纯被动防守要痛快得多。
别让那一千朵花乱开
除了技术，Mastercard 还提到了一点，我觉得很多公司都该听听。
很多企业搞 AI 项目，喜欢搞“百花齐放”，恨不得同时搞一堆项目，看哪个能活下来。
Mastercard 以前也这么干，但现在他们变了。他们搞了个叫 DSERD（数据科学工程需求文档）的东西，强行把四个独立的工程团队拉到同一个频道上。
他们强调“无情的优先级排序”。
只有那些真正有强大商业影响力的项目，才能活下来。那些只是听起来很酷，但落不了地的，直接砍掉。
Gerber 还提到一个观点：成功的 AI 部署得有三个阶段——构思、激活、实施。
但很多公司，直接跳过了“激活”这一步。
这确实是个大坑。没有中间的验证和激活，想法再好也是空中楼阁。## 写在最后
在这场看不见的战争里，时间是最昂贵的货币。
300毫秒，决定了你是买到心仪的礼物，还是给骗子交了学费。
当 AI 在两边同时开火，谁能更快地适应、更精准地判断，谁就能活到最后。
只不过，看着这些巨头用越来越复杂的算法互搏，我偶尔也会想：
未来的我们，还能分清屏幕对面是人，还是一段精妙的代码吗？
参考链接：
https://venturebeat.com/orchestration/what-ai-builders-can-learn-from-fraud-models-that-run-in-300-milliseconds