Databricks 推出反欺诈分析师 AI Coworker，在单一平台实时检测电信欺诈
Databricks 推出反欺诈分析师 AI Coworker，可在单一平台上实时检测电信欺诈。该方案针对电信欺诈年损失达 418.2 亿美元、传统检测依赖隔夜批处理且信号分散在 CDR、CRM、计费、设备/SIM 等六七个系统的问题，以统一、实时、可治理的数据底座解决跨系统关联与批处理延迟。
Databricks：Blog·2026-10-23 02:30· 55 分钟前AI 评分32
欺诈分析师 AI Coworker：在单一平台上实时检测电信欺诈
AI 导读
Databricks 推出面向电信欺诈的反欺诈分析师 AI Coworker，可在单一平台上实时检测欺诈。文章指出电信欺诈年损失已达 418.2 亿美元，而传统检测仍依赖隔夜批处理，信号分散在 CDR、CRM、计费、设备/SIM 等六七个系统中。该方案以统一、实时、可治理的数据底座解决跨系统关联与批处理延迟问题。
正文 · 原文
背景
根据通信欺诈控制协会 2025 年的调查，电信欺诈损失已攀升至 418.2 亿美元1，而更广泛的欺诈经济正在快速增长：仅美国消费者在 2024 年就报告因欺诈损失超过 125 亿美元，一年内跃升 25%2。数据泄露的代价也越来越高；2024 年全球数据泄露的平均成本达到创纪录的 488 万美元3；如果把退单、更换成本以及调查欺诈的运营开销计算在内，每 1 美元的欺诈给运营商带来的成本约为 3.4 倍。
电信账户不再只是一份手机套餐。它是用户所拥有的众多资产的入口：银行应用通过手机号进行身份验证，密码重置通过它完成，双因素验证码也发送到它上面。因此，当欺诈者通过钓鱼、社会工程或利用旧数据泄露中的凭据攻破账户时，时间非常紧迫。在几分钟内，他们就能执行 SIM 交换、更改账单地址、订购昂贵设备，并转入关联的金融账户，而受害者或运营商往往还毫无察觉。与此同时，欺诈团队仍在等待昨晚的批处理任务完成。
这种反差——欺诈以机器速度推进，而检测却以批处理速度进行，正是症结所在。对高管团队而言，欺诈不是安全方面的脚注。它是收入流失、监管风险、客户流失加速，以及很少在损失报告中清晰体现的运营税负。每一种主要欺诈类型得逞，都源于以下三个原因之一：
- 它制造了一种未被及时检测到的数据特征
- 它利用了彼此不通信的系统之间的缝隙
- 或者它借助批处理的滞后而滋生。
我们认为最重要的重新审视是：这三者都是数据架构问题，可以通过统一、实时、可治理的数据底座来解决。
保护业务
根据 stockhead 的数据，2024 年澳大利亚的账户接管和 SIM 交换攻击上升了 240%，其中约 90% 现在发生时与真正的受害者没有任何接触。欺诈者的请求看起来完全合法。国际收入分成欺诈通过伪装成正常流量，每年向高费率号码注入 40–70 亿美元。SIM 盒旁路欺诈（每年约 31 亿美元）隐藏在看似常规的通话模式中1。
几乎在所有情况下，能够检测出此类欺诈的信号已经存在——只是分散在六七个系统（CDR、CRM、计费、设备/SIM、网络、数字渠道日志）中，而这些系统并不共享同一个查询界面。复杂的欺诈类型往往在隔夜批处理中处理，而攻击窗口以分钟计；而较简单的欺诈类型（如伪造）则可以实时捕获。
这种碎片化的人力成本与财务成本叠加。僵化的规则系统让分析师淹没在误报中，欺诈团队花费数小时调查正常的账户变更，而机器速度执行的高级攻击却悄然溜过。这是一个令人望而生畏的循环：分析师淹没在警报中，真正的威胁未被发现，损失不断攀升。
为什么旧架构跟不上
大多数运营商已在欺诈管理系统上投入巨资，这些系统成功拦截了已知、充分理解的攻击模式，如今确实在节省真金白银。机会不在于拆除它们，而在于增强它们。但欺诈是一场对抗性博弈，而非静态博弈——模型学会捕捉的每一个模式，都是欺诈者正在积极设法绕过的模式，而且他们行动迅速。缺口恰恰出现在现有欺诈引擎从未被设计应对的方面：跨渠道关联、行为建模、设备仿真，以及演化速度快于规则变更周期的欺诈模式。这些缺口源于架构，而非努力不足——而无法以对手速度运转的架构，就是已经落后的架构。
任何反欺诈系统的共同点是，它都会经历对抗性漂移，而且漂移会按欺诈者的时间表发生，而非你的时间表。欺诈者一旦被抓，就会立即改变行为——没有延迟，没有缓冲窗口。这意味着任何已部署模型的召回率会立刻开始下降，有时在24小时内。在这种环境中，过时不是轻微的低效，而是模型能否抓住欺诈与实际上对其视而不见的区别。不存在“暂时够用”这回事——检测系统的优劣只取决于其最近一次更新，而监控-调优-重新部署循环的敏捷性不是锦上添花，而是全部关键。
这正是大多数欺诈运营输掉竞赛的地方。典型模式是：一个运营（OLTP）系统处理实时交易，而一个独立的分析（OLAP）系统承载真正的智能：上下文、历史查询、欺诈模型、数据科学家每天完善的仪表板。问题在于，实时风险引擎在决策时无法足够快地访问该分析环境。团队于是不得不退回到缓慢、昂贵的同步流程——计划批处理作业将完成的“黄金”数据（工程特征、模型分数、风险信号）从OLAP仓库复制回运营数据库。
这种复制就是瓶颈，而在对抗性漂移的世界里，瓶颈就是你输掉的地方。运营存储始终基于过时快照运行——而当对手每小时都在积极变异行为时，“过时”会迅速累积。这条管道很脆弱（上游模式变更就会破坏它），维护成本高昂，最糟糕的是修复缓慢；每停机一小时，你的决策引擎就有一小时在用昨天的智能应对今天的攻击。让检测变得智能的模型和上下文，最终被搁置在离决策引擎一步之遥的地方，而这恰恰是速度最关键的时候。
把 AI agent 放在顶层，它继承的是同样的鸿沟，只是代价更高：要么它在缺乏所需丰富 OLAP 上下文的情况下推理——快但盲目——要么你把敏感的 gold 数据复制出来供它使用，用治理换取访问权限。这两种选择都经不起对手的考验：等你的架构跟上时，对手早已转移。
Databricks 如何解决这一问题
修复方案必须直击真正的瓶颈：智能所在之处与决策制定之处之间的跳跃。Lakebase 是我们集成到统一环境中的托管 Postgres 引擎，它彻底消除了传统的 OLTP/OLAP 拆分。lakehouse 中的 gold 表持续同步到 Lakebase，为实时评分引擎提供亚毫秒级的特征检索——与生成这些特征的同一批分析模型并排运行。决策引擎与其所需智能之间没有批处理作业阻隔，这意味着没有过时的快照，也没有脆弱的管道等着在下一次 schema 变更时崩溃。当模型开始漂移时，修复以漂移所需的速度传播，而不是以下一次计划同步的速度传播。
同时，我们的 agentic 平台和 Genie 让分析师能够分析历史事件、合成运营手册并自动化复杂的调查工作——更快地闭合监控-调优-重新部署的循环，使“欺诈者改变行为”与“模型适应”之间的差距从数天缩短到更接近实时。借助 Databricks Apps，团队可以在同一统一架构上快速部署自定义运营工具，而不必每次出现新的欺诈模式需要新工具时都等待单独的构建周期。
而且，由于它是一个架构而非两个拼接在一起的系统，构建在其上的 AI agent 不会面临先前那种在丰富上下文推理与保持治理之间的权衡。Unity Catalog 下的单一平面管理从原始网络摄取到实时交易决策的治理、血缘和安全——因此速度和控制不再是矛盾。合规负责人获得完整血缘，工程团队获得一个真正能跟上不等待的对手的架构。
我们构建了什么：解决方案加速器
Databricks 构建了一个面向电信欺诈的解决方案加速器，覆盖从原始数据到分析师队列再到高管仪表盘的完整生命周期。
管道。该解决方案包含一个采用 medallion 架构（Bronze → Silver → Gold）的管道，可大规模生成逼真的交易、设备和网络通话详单数据。
此外，风险引擎会针对不可能旅行、蜂窝/IP 不匹配、快速基站跳变、漫游异常和设备模拟等规则对每笔交易评分，这些信号类别与生产环境中捕获 SIM box 和 SIM-swap 欺诈的信号相同。评分阈值将交易路由到三种结果之一：自动批准、排队等待分析师审核或自动拦截。
欺诈分析师工作台应用通过构建在同一受治理数据之上的三个基于角色的视图，展示了不同的欺诈工作流：
- 高管 - 财务损益影响、季度趋势、区域风险分布，以及一个 Genie Space，让领导者用自然语言提问，例如“本季度哪些地区的 SIM-swap 案件最多？”，并获得受治理的、有数据支撑的答案——无需分析师或 SQL。
- 管理端 - 工单管道健康状况、30 天 AI 预测、欺诈引擎性能和 SLA 跟踪，让管理者能够主动调配分析师人力，而非被动应对。
- 分析师端 - 案件队列和设备/案件详情视图，由具备工具调用能力的 AI 调查 Genie 智能体提供支持，该智能体同时读取案件历史、风险规则和政策，然后建议批准、拒绝或升级；此外还有基于公司欺诈应对手册训练的 Knowledge Assistant，用于回答升级阈值和文档标准等流程性问题。
更大的模式
这里的各个组成部分——风险评分管道、AI 智能体、受治理的数据目录——没有一个是独一无二的。不同之处在于将它们全部运行在一个平台上，而不是把欺诈引擎、单独的特征存储、BI 工具和附加的 AI 层拼凑在一起，每个部分都有自己的治理模型和自己的延迟成本。对电信运营商而言，机会巨大。关键在于认识到，为保护业务而构建的基础设施，正是能够将网络数据转化为新收入来源的同一套基础设施。
在你的环境中部署解决方案加速器：
- GitHub - databricks-industry-solutions/fraud_prevention_in_telco
- 克隆它、部署管道，并在你自己的工作区中搭建分析师工作台——行业特定逻辑位于单个配置文件中，因此同一架构无需更改核心平台即可重新定位到金融科技、保险或电子商务欺诈场景。
- 如需深入了解，请联系你的 Databricks 客户团队以开通 Lakebase、创建同步表、配置欺诈领域 Genie Space，并构建调查应用。
引用
1 Communications Fraud Control Association (CFCA)，2025 全球电信欺诈损失调查 - https://cfca.org。
来源：Databricks：Blog · databricks.com
来源：RadarAI · aihot.news