Mākslīgā intelekta rīkos balstīta reāllaika telefonkrāpniecības atklāšanas un novēršanas sistēma

Abstract

Telefonkrāpniecība rada ievērojamus draudus telekomunikāciju tīkla lietotājiem, radot gan finansiālus zaudējumus, gan emocionālu stresu. Šī pētījuma mērķis bija izstrādāt un novērtēt reāllaika telefonkrāpniecības atklāšanas un novēršanas sistēmu, kura balstās uz telefona sarunas satura analīzes principu un kuras implementācija ir balstīta uz mākslīgā intelekta (MI) rīkiem. Pētījumā tika veikts literatūras pārskats par esošajām metodēm, kā arī empīrisks pētījums, lai atlasītu optimālos MI rīkus sistēmas implementācijai, izmantojot izlases datu kopu. Tika izstrādāts sistēmas prototips, kas integrē OpenAI Whisper automātisko runas atpazīšanas (ASR) rīku un Google Gemini 1.5-Pro lielo valodas modeli (LLM) ar specifisku ievades parametru (angl. “prompt”), lai reāllaikā analizētu telefona sarunu saturu. Sistēmas efektivitāte tika novērtēta simulētā vidē, kas atspoguļoja reāllaika apstākļus, izmantojot paplašinātu datu kopu ar dažādiem krāpniecības scenārijiem un valodām. Rezultāti liecina, ka sistēma demonstrē augstu klasifikācijas efektivitāti, sasniedzot 90,4% akurātumu (ar 95% ticamības intervālu no 88,1% līdz 92,8%) un 91,2% F1 vērtējumu (ar 95% ticamības intervālu no 89,4% līdz 93,0%), kas norāda uz sistēmas efektivitāti reāllaika telefonkrāpniecības atklāšanā. Novēršanas rādītājs sasniedza 69,8% (ar 95% ticamības intervālu no 67,1% līdz 72,5%), kas liecina par sistēmas potenciālu reāllaika telefonkrāpniecības novēršanā.

Telephone fraud poses significant threats to telecommunications network users, causing both financial loss and emotional stress. The aim of this study was to develop and evaluate a real-time telephone fraud detection and prevention system, based on the principle of phone conversation content analysis, and implemented using artificial intelligence (AI) tools. The study included a literature review on existing methods and an empirical study to select optimal AI tools for system implementation, using a sample data set. A system prototype was developed, integrating the OpenAI Whisper automatic speech recognition (ASR) tool and the Google Gemini 1.5-Pro large language model (LLM) with a specific prompt, to analyze phone conversation content in real-time. The system's effectiveness was evaluated in a simulated environment reflecting real-time conditions, using an expanded dataset with various fraud scenarios and languages. The results indicate that the system demonstrates high classification effectiveness, achieving an accuracy of 90.4% (with a 95% confidence interval from 88.1% to 92.8%) and a 91.2% F1 score (with a 95% confidence interval from 89.4% to 93.0%), indicating the system's efficacy in real-time telephone fraud detection. The prevention index reached 69.8% (with a 95% confidence interval from 67.1% to 72.5%), demonstrating the system's potential in real-time telephone fraud prevention.