Gids-gekoppelde quiz · Middelmatig Niveau
Quiz voor AI-fraudedetectie
Test het onevenwicht in de fraudeklassen, valse positieven, netwerkmodellering, snelheidssignalen en veranderende fraudepatronen. Evaluatiebereik controleren.
Vraag 1 van 8
Waarom zijn vaste regels alleen (bijvoorbeeld 'blokkosten van meer dan $ 5.000') vaak onvoldoende voor fraude?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waarom zijn vaste regels alleen (bijvoorbeeld 'blokkosten van meer dan $ 5.000') vaak onvoldoende voor fraude?
- Fraude is vijandig en verandert voortdurend, waardoor regels verouderd raken
- Ze zijn te duur om te schrijven
- Banken mogen geen regels hanteren
- Regels werken alleen in het weekend
- ‘Klassenonevenwicht’ bij fraudedetectie verwijst naar het feit dat:
- Er zijn te veel banken
- Frauduleuze transacties vormen een klein deel van alle transacties
- Alle klanten geven hetzelfde bedrag uit
- Gegevens worden in het verkeerde klassenbestand opgeslagen
- Een 'false positive' bij fraudedetectie betekent:
- Een echte fraude werd gemist
- Het systeem crashte
- Een legitieme transactie werd ten onrechte als fraude gemarkeerd
- Er heeft zich een dubbele afschrijving voorgedaan
- 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
- Welk signaal is een voorbeeld van ‘velocity’ in transactiemonitoring?
- Veel kosten vinden plaats binnen een paar minuten
- De verjaardag van de klant
- De kleur van de kaart
- Het logo van de bank
- 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
- 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
- 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