Il fraud detection con IA è uno dei campi più maturi del machine learning. Banche e assicurazioni lo usano da prima che ChatGPT esistesse — dagli anni 2000 in produzione.
Settori principali:
- Bancario: frodi su carte, bonifici sospetti, riciclaggio (AML).
- Assicurativo: claim fraud, sinistri gonfiati, finte malattie.
- E-commerce: chargeback fraud, account takeover, fake reviews.
- Insurance underwriting: rischio polizza, scoring premi.
- Telco: SIM fraud, traffico anomalo.
Tecniche tipiche:
- Supervised learning: modelli addestrati su frodi note (XGBoost, random forest, deep learning).
- Graph neural networks: rilevamento di reti di frode (più persone collegate sospettosamente).
- Real-time scoring: ogni transazione passa da un modello in millisecondi.
- LLM: oggi anche per analizzare email, chat, documenti free-form.
Numeri seri:
- Visa: il loro Visa Advanced Authorization vede 500+ variabili per transazione, blocca 1,5 miliardi di euro/anno di frodi.
- PayPal: tassi di rilevamento dichiarati sopra il 99,9% sulle frodi note.
- Banche italiane: ABI stima riduzione del 50% di frodi su carte 2018-2023 grazie a sistemi IA.
Problemi reali:
- Bias contro categorie protette (etnia, genere, codice postale): cause legali in USA.
- Spiegabilità: GDPR e AI Act chiedono di spiegare il rifiuto. Modelli black-box sono problematici.
- Adversarial attacks: i criminali studiano i modelli per aggirarli.
Per chi fa fintech in Italia: occhio al regolamento DORA (Digital Operational Resilience Act, in vigore 2025) e all'AI Act. La fraud detection ad alto rischio richiede assessment specifici.