O 2:14 w nocy karta kredytowa, którą zazwyczaj płaci się za artykuły spożywcze w Ohio, zostaje użyta do zakupu elektroniki w Rumunii. System wykrywania oszustw banku sygnalizuje to przed sfinalizowaniem transakcji. Do posiadacza karty wysyłana jest wiadomość SMS. Opłata zostaje odrzucona. Taka sekwencja zdarzeń powtarza się miliony razy dziennie i opiera się na rozpoznawaniu wzorców, a nie na analizie dokonywanej przez człowieka.

Nowoczesne wykrywanie oszustw łączy reguły z uczeniem maszynowym. Proste reguły wychwytują oczywiste problemy: transakcja w kraju, którego nigdy nie odwiedziłeś, trzy opłaty za stację benzynową w ciągu dziesięciu minut, zakup znacznie przekraczający Twoje zwykłe wydatki. Modele uczenia maszynowego idą dalej. Uczą się typowych zachowań każdego klienta i oceniają każdą transakcję pod kątem ryzyka. Jeśli wynik przekroczy próg, bank podejmuje działanie.

Narzędzia obejmują monitorowanie transakcji w czasie rzeczywistym, odcisk palca urządzenia, sprawdzanie geolokalizacji oraz biometrię behawioralną, taką jak sposób wpisywania hasła. Banki udostępniają dane za pośrednictwem konsorcjów, aby wykrywać grupy oszustów przemieszczające się między instytucjami. Nic z tego nie jest idealne. Fałszywe alarmy irytują klientów i obniżają sprzedaż w sklepach. Oszuści nieustannie się adaptują.

Stawka stale rośnie. Globalne straty z tytułu oszustw kartowych przekraczają 30 miliardów dolarów rocznie, a liczba oszustw związanych z autoryzowanymi płatnościami push rośnie szybciej niż liczba oszustw kartowych. Banki ostrzegają teraz klientów w aplikacji, zanim prześlą pieniądze na podejrzane konto.