洗錢偵測最適合哪種生成式 AI 技術？
某支付平台為了強化洗錢行為檢測，計劃導入生成式 AI 技術來輔助分析可疑交易模式。該平台擁有大量歷史交易記錄和已知洗錢案例資料，希望 AI 能自動生成可疑交易的特徵描述報告。下列哪一種生成式 AI 技術最適合此需求？
某支付平台手上有大量歷史交易紀錄和已知洗錢案例資料，想導入生成式 AI 技術，讓 AI 能自動生成可疑交易的特徵描述報告。
問你：哪一種生成式 AI 技術最適合這個需求？
一句話總結
有「既有案例資料庫」加上「需要生成有根據的分析報告」，這是 RAG（檢索增強生成） 的典型應用場景，讓 AI 先查案例再生成報告。
先感受問題：分析師要寫可疑交易報告，但案例資料庫太大看不完
假設你在「永興支付」的風控團隊工作。公司累積了五年的交易記錄和 3,000 筆已確認的洗錢案例，每個案例都有詳細的模式描述。
每當偵測系統標記一筆可疑交易，風控分析師要寫一份報告，說明「這筆交易為什麼可疑、跟哪些已知洗錢手法相似」。問題是：資料庫太大，分析師沒辦法每次都手動翻 3,000 筆案例，報告品質參差不齊。
你需要的 AI 能做兩件事：先從案例資料庫找出最相關的歷史案例，再根據這些案例生成有根據的特徵描述報告。這不是讓 AI 憑空猜測，而是讓 AI 有憑有據地引用既有知識。
沒有 RAG，只用 ChatGPT 直接分析會怎樣？
如果「永興支付」直接用 ChatGPT 基礎模型做分析，會碰到這些問題：
- 沒有公司專屬資料：ChatGPT 的訓練資料不包含「永興支付」的歷史洗錢案例，回答只能靠一般知識，沒有針對性
- 知識截止日期：ChatGPT 有知識截止日期，最新的洗錢手法可能還不知道，但公司資料庫都有
- 無法引用具體案例：報告寫「這筆交易與 2023 年 8 月案例 #2847 模式相似」，ChatGPT 沒有這份資料根本做不到
- 幻覺問題：在缺乏真實資料的情況下，ChatGPT 可能生成看起來合理但實際上錯誤的分析內容
- 合規問題：洗錢防制報告需要有憑有據，沒有引用真實案例的分析報告難以通過法遵審查
RAG 怎麼解
RAG（Retrieval-Augmented Generation，檢索增強生成）的工作方式：
第一步：建立向量資料庫。把「永興支付」的 3,000 筆洗錢案例和歷史交易記錄，轉換成向量（Embedding），存進向量資料庫。每個案例都能用語意搜尋找到。
第二步：檢索（Retrieval）。當有一筆可疑交易進來，系統先從向量資料庫找出最相似的歷史案例，比如「找出跟這筆交易模式最像的前 5 個洗錢案例」。
第三步：增強生成（Augmented Generation）。把找到的案例連同可疑交易資料，一起送進語言模型，讓它生成「有具體案例支撐的特徵描述報告」。
這樣生成的報告不是 AI 憑空想像，而是有真實案例根據，滿足合規要求，也更有說服力。
這就是選項 C 講的：運用 RAG 檢索增強生成技術結合歷史案例資料庫。
技術版：RAG 的架構與適用場景
RAG（Retrieval-Augmented Generation）是 2023 年後最重要的 LLM 應用架構之一，解決了「語言模型知識有限且靜態」的根本問題。
RAG 的三個核心元件：向量資料庫（儲存並檢索文件）、Embedding 模型（把文字轉成可計算相似度的向量）、生成模型（根據檢索結果生成回答）。這三個元件缺一不可。
RAG 的適用場景特徵：擁有大量私有/專屬文件需要被引用；需要生成有根據的回答（不能幻覺）；資料會持續更新（不適合重新訓練模型）；回答需要引用具體來源。本題的洗錢案例資料庫完全符合這四點。
RAG vs Fine-tuning 的選擇：RAG 適合「資料會更新、需要引用原文、私有資料量大」的場景；Fine-tuning 適合「需要模型學習特定語氣/風格、輸入輸出格式固定、資料量足夠」的場景。本題明顯是 RAG 的適用場景。
為什麼出題者要考這題：RAG 是企業 AI 應用中最常被選用的技術架構，能辨識何時適合用 RAG、它解決什麼問題，是規劃師的核心知識。
為什麼其他選項是錯的
A使用 Midjourney 生成交易流程圖像
用 AI 圖像生成工具，把洗錢交易流程視覺化成圖片。
Midjourney 是藝術圖像生成工具，不能分析交易數據，也不能生成文字分析報告。題目要的是「可疑交易的特徵描述報告」，這是文字輸出，不是圖像。
對生成式 AI 工具沒有概念，以為所有 AI 工具都能做所有事的人。
B採用 Few-shot Learning 訓練圖像識別模型
用少量案例訓練一個圖像識別模型來偵測洗錢。
兩個問題：第一，洗錢偵測的主要資料是交易記錄（文字/數字），不是圖像；第二，題目的需求是「生成特徵描述報告」，不是訓練一個分類器。Few-shot Learning 是訓練技術，不能直接生成報告。
知道 Few-shot Learning 是「小樣本技術」，但混淆了「訓練分類器」和「生成分析報告」兩種不同目的的人。
D直接使用 ChatGPT 的基礎模型進行分析
把可疑交易資料直接貼給 ChatGPT，請它分析。
ChatGPT 基礎模型沒有「永興支付」的歷史洗錢案例資料。它能生成通用的反洗錢分析框架，但無法引用公司的具體案例，也可能產生幻覺，不符合需要根據歷史資料庫生成有憑有據報告的需求。
以為 ChatGPT 什麼都知道、什麼都能做，忘了它沒有企業私有資料的人。這個選項很有迷惑性，因為 ChatGPT 確實能寫分析報告，只是沒有公司專屬資料。
同個考點下次怎麼變形
RAG 和直接 Fine-tuning 大型語言模型，在什麼條件下應選 RAG？
兩個都能讓 AI 「知道」公司的資料，差在哪？
選 RAG 的條件：資料頻繁更新（洗錢手法一直演變）、需要引用原始文件（報告要有具體案例來源）、資料量大但不需要全部學（3,000 筆案例不是每次都用到）。Fine-tuning 適合固定的格式學習或特定語氣訓練。
RAG 系統的「幻覺（Hallucination）」風險為什麼比純語言模型低？
RAG 不也是語言模型在生成嗎，幻覺不是一樣嗎？
RAG 讓模型生成時有「參考資料」可以引用，而不是憑記憶猜測。就像開卷考試比閉卷考試更準確：模型看到真實的案例文件後，引用具體事實的比例更高，不需要「靠感覺填答案」。但注意：RAG 不能完全消除幻覺，只能降低風險。
一家公司的法律文件量很大，想讓 AI 能回答「合約中有沒有這個條款」，最適合什麼技術？
把文件給 AI 讀，它應該就能回答？
RAG。先把所有合約向量化建索引，查詢時先檢索相關合約段落，再讓語言模型判斷有沒有特定條款。直接把整批合約塞進 ChatGPT 會超過 Context Window 限制，RAG 的檢索步驟解決了這個問題。
RAG 中的「Embedding（嵌入向量）」是什麼？為什麼需要它？
Embedding 聽起來很技術，初級考試需要知道嗎？
Embedding 是把文字轉成一串數字（向量），讓電腦能計算兩段文字在語意上有多相似。「洗錢分層手法」和「將非法資金分散轉帳以掩飾來源」在字面上不同，但 Embedding 能讓它們的向量彼此接近，進而被檢索到。RAG 需要它才能做「語意搜尋」而非只是關鍵字比對。
若洗錢案例資料庫每週都有新案例加入，RAG 和 Fine-tuning 哪個比較容易維護更新？
兩個更新應該差不多吧？
RAG 更容易維護。新案例加入只需要把新文件向量化後存進資料庫，不用重新訓練模型，幾分鐘就完成。Fine-tuning 更新知識需要重新訓練模型，耗費大量計算資源和時間，每次更新都是大工程。
想再往下看，這 5 個
- 檢索增強生成（Retrieval-Augmented Generation）讓語言模型在生成前先檢索知識庫相關文件，使報告有真實案例依據，是此題洗錢偵測場景的正解技術
- 反洗錢人工智慧（Anti-Money Laundering AI）應用 AI 偵測可疑交易模式並自動生成報告的金融合規技術，RAG 可讓此類系統引用歷史案例生成有根據的分析
- 少樣本學習（Few-shot Learning）用少量標注範例讓模型學習特定任務的技術，是易混淆選項中圖像識別模型的訓練方式，但不適合生成文字報告
- 向量資料庫（Vector Database）儲存文件 Embedding 向量並支援語意搜尋的資料庫，是 RAG 架構中存放歷史洗錢案例的核心基礎設施
- 詐欺偵測（Fraud Detection）識別金融交易中異常行為的 AI 技術，與反洗錢偵測高度相關，同樣適合用 RAG 結合歷史案例庫來提升準確率