近几个月来引发了一阵“机器学习”热潮，谷歌等行业巨头十分侧重机器学习对企业的大力影响。人们将机器学习定义为人工智能的一个子集，主要针对的是计算机程序自学功能的发展，并且这种自学功能可以随着新的数据的变化而大大发展和转变。全球的90％的数据量是在过去的两年里减少的，因此，掌控研发自动化流程以有效地适应环境新的信息的能力十分最重要。

对于移动运营商来说，机器学习将带给极大的益处，特别是在解决问题欺诈问题上。仅有在2016年，电信公司在全球范围内的亏损预计超过了2940亿美元，这使得运营商迫切希望利用所有可以利用的工具来解决问题这一严峻问题。那么机器学习该如何压制欺诈呢？首先，欺诈管理还包括辨识特定的个人资料和不道德，检查一切流程否长时间运营，或者否不存在出现异常。

不像其他一些可以忽视出现异常的企业，负责管理压制欺诈的团队必须严肃回避出现异常，这是至关重要的。机器学习在这方面可以充分发挥关键作用，因为可以研发和训练算法来监控这些异常情况。

例如，机器学习可以辨识有所不同数据源的出现异常模式和相关性，相比之下远超过了传统的基于规则的欺诈管理。先进设备的欺诈管理系统甚至需要根据社交网络活动等因素，获取一种独有的、可以查阅的检验结果。此外，机器学习算法可以检测到更为简单的目标，还包括未知的和不得而知的威胁。随着数字化地大大发展，新的欺诈类型也在大大变化和发展，机器学习要需要辨识并应付有所不同的简单威胁，这是维护运营商收益和声誉的关键。

由于机器学习需要较慢有效地辨识和应付新的威胁，运营商还可以利用它来节省欺诈管理专业人员的时间。为了全面压制欺诈，人类团队一直必须对任何系统展开监督，因此，机器学习可以帮助欺诈团队，节省他们的时间，从而让团队留出时间专门从事其他关键任务。

例如，机器可以接管重复性的任务，而这一般来说是欺诈管理团队不讨厌接管的。一个有效地的欺诈检测系统应当分担大部分的重复性任务，当必须额外的人力辅助时，人工团队就不会参予进去。随着物联网的大大发展，机器学习也将显得愈发最重要，从而增进了指数数据的发展。

据Gartner估算，到2020年，多达200亿的联网设备将投入使用，其产生的数据量将相比之下远超过人类的处置能力，更加不用说利用这些数据来得出结论有价值的分析结果了。相比之下，机器学习在数据非常丰富的时代是最合适压制欺诈的，因为它与数据集的大小成反比。这意味著数据集越大，机器学习的处置效率就越高。

机器还需要检测和辨识大量的特征和不道德，如果人为检查这些特征和不道德的话有可能带给一些风险。而机器可以在几微秒之内辨识出有这些特征和不道德，从而使操作者人员需要立刻对潜在的威胁作出反应。有了这样显著的优势，机器学习将沦为运营商压制欺诈的关键武器。

特别是在是新型的深度机器学习将更加有价值。虽然机器学习的主要算法早已不存在了几十年，但现在每个月都有新的算法研发出来，因为深度自学算法非常复杂。深度自学软件企图仿效大脑皮层的活动层，因为人们的思维不道德就是在活动层中展开的。

因此，软件可以自学辨识声音、图像和其他数据的数字回应形式。对于欺诈管理团队来说，欺诈管理工具可以借以相连到诸如语音辨识、生物识别等服务，这将很大地非常丰富应付欺诈所需的大量个人资料，并且有助减低数字时代所产生的新威胁。

然而，尽管机器学习能给运营商带给压制欺诈的优势，但它在整个行业中未有获得广泛应用，最近一项来自TMForum的调查表明，目前只有23％的运营商在用于机器学习展开欺诈管理。不过，这一数字将要发生变化，因为其中18％的运营商回应，他们正在考虑到用数据挖掘工具来补足当前的欺诈检测方法。当面临新的威胁和欺诈带给的相当严重收益损失时，机器学习可以给运营商带给的益处是不容忽视的。

因此，运营商现在必需行动起来，改版他们的欺诈管理工具，以维持竞争优势，并最后维护他们的业务成果。

本文来源：半岛·BOB官方网站-www.zaz61.com