Quiz dotyczący wykrywania oszustw AI

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Dlaczego same stałe zasady (np. „opłaty blokowe powyżej 5000 USD”) są często niewystarczające w przypadku oszustwa?
   • Oszustwo ma charakter kontradyktoryjny i podlega ciągłym zmianom, dlatego przepisy stają się nieaktualne
   • Ich pisanie jest zbyt drogie
   • Bankom nie wolno stosować reguł
   • Zasady działają tylko w weekendy
2. „Nierównowaga klas” w wykrywaniu oszustw odnosi się do faktu, że:
   • Banków jest za dużo
   • Transakcje oszukańcze stanowią niewielki ułamek wszystkich transakcji
   • Wszyscy klienci wydają tę samą kwotę
   • Dane są przechowywane w niewłaściwym pliku klasy
3. „fałszywie pozytywny” wynik wykrywania oszustw oznacza:
   • Prawdziwe oszustwo zostało pominięte
   • System się zawiesił
   • Prawidłowa transakcja została błędnie oznaczona jako oszustwo
   • Wystąpiło podwójne obciążenie
4. Jakie wyzwanie może stworzyć propagacja wiadomości w oparciu o sąsiedztwo dla oszustwa 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. Który sygnał jest przykładem „szybkości” w monitorowaniu transakcji?
   • Wiele ładowań następuje w ciągu kilku minut
   • Urodziny klienta
   • Kolor karty
   • Logo banku
6. Jaką typologię oszustw opisał alert FinCEN dotyczący fałszywych informacji z 2024 r.?
   • 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. Dlaczego dokładność może wprowadzać w błąd w przypadku wysoce niezrównoważonego zbioru danych na temat oszustw?
   • 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