近几个月来掀起了一阵“机器学习”热潮，谷歌等行业巨头十分注重机器学习对企业的积极影响。

人们将机器学习定义为人工智能的一个子集，主要针对的是计算机程序自学功能的发展，并且这种自学功能可以随着新数据的变化而不断发展和改变。全球的90％的数据量是在过去的两年里增加的，因此，掌握开发自动化流程以有效适应新信息的能力十分重要。

对于移动运营商来说，机器学习将带来巨大的好处，特别是在解决欺诈问题上。仅在2016年，电信公司在全球范围内的亏损预计达到了2940亿美元，这使得运营商迫切希望利用所有可以利用的工具来解决这一紧迫问题。

那么机器学习该如何打击欺诈呢？首先，欺诈管理包括识别特定的个人资料和行为，检查一切流程是否正常运行，或者是否存在异常。不像其他一些可以忽略异常的企业，负责打击欺诈的团队需要认真排除异常，这是至关重要的。

机器学习在这方面可以发挥关键作用，因为可以开发和训练算法来监控这些异常情况。例如，机器学习可以识别不同数据源的异常模式和相关性，远远超出了传统的基于规则的欺诈管理。先进的欺诈管理系统甚至能够根据社交网络活动等因素，提供一种独特的、可以查看的验证结果。

此外，机器学习算法可以检测到更加复杂的目标，包括已知的和未知的威胁。随着数字化地不断发展，新的欺诈类型也在不断变化和发展，机器学习要能够识别并应对不同的复杂威胁，这是保护运营商收入和声誉的关键。

由于机器学习能够快速有效地识别和应对新的威胁，运营商还可以利用它来节省欺诈管理专业人员的时间。

为了全面打击欺诈，人类团队始终需要对任何系统进行监督，因此，机器学习可以协助欺诈团队，节省他们的时间，从而让团队腾出时间从事其他关键任务。

例如，机器可以接管重复性的任务，而这通常是欺诈管理团队不喜欢接管的。一个有效的欺诈检测系统应该承担大部分的重复性任务，当需要额外的人力辅助时，人工团队就会参与进来。随着物联网的不断发展，机器学习也将变得越发重要，从而促进了指数数据的发展。

据Gartner估计，到2020年，超过200亿的联网设备将投入使用，其产生的数据量将远远超出人类的处理能力，更不用说利用这些数据来得出有价值的分析结果了。相比之下，机器学习在数据丰富的时代是最适合打击欺诈的，因为它与数据集的大小成反比。这意味着数据集越大，机器学习的处理效率就越高。

机器还能够检测和识别大量的特征和行为，如果人为检查这些特征和行为的话可能带来一些风险。而机器可以在几微秒之内识别出这些特征和行为，从而使操作人员能够立即对潜在的威胁作出反应。有了这样明显的优势，机器学习将成为运营商打击欺诈的关键武器。

尤其是新型的深度机器学习将更有价值。虽然机器学习的主要算法已经存在了几十年，但现在每个月都有新的算法开发出来，因为深度学习算法非常复杂。

深度学习软件试图模仿大脑皮层的活动层，因为人们的思考行为就是在活动层中进行的。因此，软件可以学习识别声音、图像和其他数据的数字表示形式。对于欺诈管理团队来说，欺诈管理工具可以借此连接到诸如语音识别、生物识别等服务，这将极大地丰富应对欺诈所需的大量个人资料，并且有助于减轻数字时代所产生的新威胁。

然而，尽管机器学习能给运营商带来打击欺诈的优势，但它在整个行业中仍未得到广泛应用，最近一项来自TM Forum的调查显示，目前只有23％的运营商在使用机器学习进行欺诈管理。

不过，这一数字即将发生变化，因为其中18％的运营商表示，他们正在考虑用数据挖掘工具来补充当前的欺诈检测方法。当面对新的威胁和欺诈带来的严重收入损失时，机器学习可以给运营商带来的好处是不容忽视的。因此，运营商现在必须行动起来，更新他们的欺诈管理工具，以保持竞争优势，并最终保护他们的业务成果。