Kvíz spojený s průvodcem · Střední úroveň

Kvíz odhalování AI podvodů

Testujte nevyváženost tříd podvodů, falešné poplachy, modelování sítě, signály rychlosti a měnící se vzorce podvodů. Zkontrolujte rozsah hodnocení.

Související vodicí cestyDetekce AI podvodů
Otázka 1 z 8

Proč jsou samotná pevná pravidla (např. „blokovací poplatky nad 5 000 USD“) často nedostačující pro podvod?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Proč jsou samotná pevná pravidla (např. „blokovací poplatky nad 5 000 USD“) často nedostačující pro podvod?
    • Podvody jsou nepřátelské a neustále se mění, takže pravidla jsou zastaralá
    • Jsou příliš drahé na psaní
    • Banky nemají povoleno používat pravidla
    • Pravidla fungují pouze o víkendech
  2. „Nerovnováha tříd“ při odhalování podvodů se týká skutečnosti, že:
    • Bank je příliš mnoho
    • Podvodné transakce tvoří nepatrný zlomek všech transakcí
    • Všichni zákazníci utratí stejnou částku
    • Data jsou uložena v nesprávném souboru třídy
  3. „falešně pozitivní“ při odhalování podvodů znamená:
    • Chyběl skutečný podvod
    • Systém se zhroutil
    • Legitimní transakce byla nesprávně označena jako podvod
    • Došlo k duplicitnímu poplatku
  4. What challenge can neighbor-based message propagation create for a fraud GNN?
    • It guarantees every linked account is fraudulent
    • It removes all concept drift from the data
    • It prevents investigators from reviewing transactions
    • Neighbor and hub effects can amplify class-imbalance problems
  5. Který signál je příkladem „rychlosti“ při monitorování transakcí?
    • Mnoho poplatků probíhá během několika minut
    • narozeniny zákazníka
    • Barva karty
    • Logo banky
  6. What fraud typology did FinCEN’s 2024 deepfake alert describe?
    • Deepfakes that automatically reverse settled transactions
    • Deepfake media and fraudulent identity documents used to evade identity verification or authentication
    • A rule requiring banks to reject every voice call
    • Synthetic identities that prove a customer committed a crime
  7. Why can accuracy be misleading for a highly imbalanced fraud dataset?
    • Accuracy is always equal to recall
    • Fraud labels are never used
    • A model can score high accuracy by predicting the majority legitimate class while missing fraud
    • The test set must contain no legitimate transactions
  8. What is one reason a graph model can help identify linked fraud patterns?
    • It removes the need for labels or investigation
    • It proves that connected accounts are criminal
    • It guarantees real-time detection
    • It can represent relationships among accounts, transactions, or devices