Die Komplexität betrügerischer Aktivitäten, wie etwa von Zahlungsdiebstahl und Geldwäsche, hat sich verhältnismäßig zu den Fortschritten in der Technologie entwickelt. Deep Learning (DL) reduziert Fehlalarme bei Zahlungsverkehrsbetrug erheblich.
Wegen der großen Mengen an verfügbaren Kundendaten, wie etwa RAW-Transaktionen im Zeitablauf (RNN) und Transaktionszusammenfassungsvektoren (RNN und CNN), können Unternehmen künstliche neuronale Netze wie Autoencoder und Modelle darauf trainieren, Unregelmäßigkeiten in Transaktionsaktivitäten zu identifizieren.