Hajnali 2:14-kor egy olyan hitelkártyát, amellyel általában élelmiszereket vásárolnak Ohióban, Romániában elektronikai cikkeket vásárolnak. A bank csalásészlelő rendszere jelzi ezt a tranzakció befejezése előtt. A kártyabirtokos SMS-t kap. A terhelést elutasítják. Ez a folyamat naponta több milliószor ismétlődik, és emberi ellenőrzés helyett mintafelismerésen alapul.

A modern csalásészlelés szabályokat és gépi tanulást ötvöz. Az egyszerű szabályok nyilvánvaló problémákat szűrnek ki: egy tranzakció egy olyan országban, ahol még soha nem jártál, három benzinkút-töltés tíz perc alatt, egy vásárlás, amely messze meghaladja a szokásos költésedet. A gépi tanulási modellek ennél tovább mennek. Megtanulják minden vásárló szokásos viselkedését, és minden tranzakciót kockázati pontként értékelnek. Ha a pontszám átlép egy küszöbértéket, a bank cselekszik.

Az eszközök közé tartozik a valós idejű tranzakciófigyelés, az eszköz ujjlenyomat-vétele, a geolokáció ellenőrzése és a viselkedési biometria, például a jelszó beírásának módja. A bankok konzorciumokon keresztül osztanak meg adatokat, hogy felderítsék az intézmények között mozgó csaló köröket. Egyik sem tökéletes. A téves riasztások bosszantják az ügyfeleket és a kereskedők bevételeit csökkentik. A csalók folyamatosan alkalmazkodnak.

A tét egyre nő. A globális kártyacsalásokból eredő veszteségek meghaladják az évi 30 milliárd dollárt, és az engedélyezett push fizetésekkel járó csalások száma gyorsabban növekszik, mint a kártyacsalás. A bankok most már az alkalmazásban figyelmeztetik az ügyfeleket, mielőtt gyanús számlára küldenének pénzt.