How Identity Intelligence Helps Stop Fraud Before It Starts

India’s payments chief says AI will drive UPI from 750 million to a billion daily transactions

Ông Dilip Asbe, CEO của NPCI, cho biết trí tuệ nhân tạo (AI) sẽ đóng vai trò quan trọng trong việc nâng số lượng giao dịch UPI hàng ngày của Ấn Độ từ 750 triệu lên 1 tỷ. Các ứng dụng chính bao gồm phát hiện gian lận, phân phối tín dụng cho người dùng có dấu chân số và hỗ trợ ghi danh bằng giọng nói đa ngôn ngữ. NPCI cũng đã triển khai mô hình giải quyết tranh chấp FIMI phục vụ hơn 1 triệu người dùng. Ngoài ra, ông nhấn mạnh cơ hội cho các công ty Ấn Độ xây dựng các mô hình ngôn ngữ nhỏ phù hợp với ngôn ngữ địa phương. Về thị phần, PhonePe và Google Pay chiếm hơn 80% giao dịch UPI, nhưng quy định giới hạn 30% mỗi ứng dụng sẽ có hiệu lực từ tháng 12 năm 2026. Ứng dụng BHIM của NPCI, với thị phần khoảng 1%, được xem như một lựa chọn thay thế độc lập.

Lập trình viên nên đọc bài này để khám phá cách AI và các giải pháp công nghệ tiên tiến như FIMI của NPCI có thể thay đổi mô hình giao dịch số, từ đó giúp họ hiểu rõ hơn về cơ hội phát triển ứng dụng thanh toán thông minh, từ đó ứng dụng vào dự án của riêng mình.

The Four Elevations of Effective Fraud Prevention

Fraud prevention requires visibility across four levels: transaction, account, platform, and network. Monitoring only individual transactions leads to siloed decisions and missed fraud patterns. Account-level tracking reveals behavioral anomalies like new devices or contact changes. Platform-level analysis exposes fraud rings through shared signals like IP, device, and geolocation. Network-level partnerships extend detection by sharing threat intelligence across organizations. A worked banking fraud example illustrates how each elevation adds detection confidence and reduces time-to-action against account takeovers and fund transfers.

How to build a real-time fraud detection system

Bài viết hướng dẫn xây dựng hệ thống phát hiện gian lận theo thời gian thực bằng Tinybird và Retool, gồm 4 bước: thu thập luồng giao dịch (qua Kafka/Tinybird Events API), xử lý phân tích dữ liệu bằng SQL pipes, cung cấp kết quả qua HTTP API, và trực quan hóa trên dashboard. Tác giả cung cấp các truy vấn SQL mẫu để phát hiện hành vi đáng ngờ như giao dịch tốc độ cao, vị trí bất thường, hoặc hoạt động ngoài giờ, đồng thời đề cập xu hướng hiện đại như phát hiện bất thường bằng ML hay nền tảng streaming Apache Flink.

Lập trình viên phát triển hệ thống cần đọc để hiểu cách triển khai một giải pháp phòng ngừa gian lận thực thời bằng cách kết hợp công nghệ stream processing, SQL và API, từ đó tối ưu hóa hiệu suất và độ chính xác trong ứng dụng của mình.

The Hot Path Belongs to GBDTs, Agents Own the Cold Path: A Payment-Fraud Benchmark

A reproducible benchmark comparing gradient-boosted decision trees (GBDTs) vs. LLM-based scoring for payment fraud detection across three dimensions: latency, cost, and determinism. On a single CPU core, GBDTs hit p99 latency of 0.15ms vs. ~1,200ms for LLMs — well outside the 100ms ISO 8583 authorization budget. Cost-wise, GBDTs run ~$54/hour at 50K TPS vs. $16,200–$351,000 for LLM tiers. Determinism is the most critical issue for regulated environments: GBDTs return identical scores on identical inputs while LLMs produce hundreds of distinct outputs even at temperature=0. The recommended architecture keeps deterministic tree ensembles on the synchronous hot path and deploys LLM agents on the asynchronous cold path for SAR drafting, evidence gathering, and agent-as-a-judge validation before human review. All benchmark code is open-source and reproducible on a laptop.