---
title: "反洗錢人工智慧（Anti-Money Laundering AI）"
slug: anti-money-laundering-ai
language: zh-TW
source: https://aiterms.tw/terms/anti-money-laundering-ai
updated_at: 2026-04-29
tags: [金融AI, 異常偵測, 機器學習, 模型訓練, 模型評估, AI應用, 資料處理, AI倫理與治理]
ipas_term: false
---

# 反洗錢人工智慧（Anti-Money Laundering AI）

> **你在銀行 App 看到多筆看起來正常的轉帳，卻懷疑有人在拆單洗錢嗎？**
> 你可以把反洗錢人工智慧想成交易紀錄的巡邏員，它會在大量金流裡找出可疑組合。
> 它的任務不是把所有異常都直接定罪，而是先把高風險案件挑出來，讓法遵團隊優先複核。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **反洗錢人工智慧 vs 詐欺偵測？**
> 反洗錢人工智慧：用模型找出可疑金流與異常交易模式
> 詐欺偵測：用模型找出騙帳號、盜刷或假交易
> 最關鍵的區別：AML 看的是資金流向與洗錢鏈，詐欺偵測看的是欺騙行為本身
>
> **反洗錢人工智慧 vs 異常偵測？**
> 反洗錢人工智慧：重點在合規、風險分級與人工覆核
> 異常偵測：重點在找出偏離常態的資料點
> 最關鍵的區別：異常偵測是方法，AML AI 是把方法放進金融合規流程
>
> **反洗錢人工智慧 vs 信用評分？**
> 反洗錢人工智慧：看大量交易脈絡，常搭配規則與模型一起用
> 信用評分：看的是借款人未來違約風險
> 最關鍵的區別：AML 管可疑金流，信用評分管還款能力，目的不同
### 記住這句就好

> 不是抓每筆怪交易，而是先把最值得查的名單排出來
### 實際案例

> **銀行的分拆轉帳**
> 同一個帳戶一天內被拆成很多小額匯款，模型把這些連起來看，發現像是在躲避監控門檻
>
> **加密貨幣出金**
> 交易所用模型比對地址關聯、時間密度與金額型態，把高風險提款先交給人工審查
### 算法與應用

> | 重點 | 你要看什麼 | 為什麼重要 |
> |---|---|---|
> | 輸入 | 交易金額、頻率、對手帳戶、地理位置 | 可疑行為通常藏在多個欄位一起看才看得出來 |
> | 模型 | 分類模型、異常偵測、圖模型 | 不同模型對不同洗錢手法各有優勢 |
> | 流程 | 規則加模型再加人工覆核 | 金融場景不能只靠模型分數 |
### 情境判斷

> **Q1：某帳戶突然連續轉出很多接近門檻的小額款項，系統應該優先做什麼？**
> → 先列入高風險名單，因為這種拆單行為很像刻意規避監控
>
> **Q2：模型抓到很多可疑案件，但人工複核後大多是正常交易，這代表什麼？**
> → 代表誤報太高，可能要調整閾值、特徵或規則，不是直接把模型丟掉
### 常見問題

> **Q：反洗錢人工智慧一定比規則系統好嗎？**
> 不一定。規則系統穩定、可解釋，適合已知型態；模型擅長找新模式。實務上通常兩者一起用。
>
> **Q：導入時最先要準備什麼？**
> 歷史交易資料、標註過的可疑案件、資料清理流程，還有法遵與風控團隊一起定義什麼叫高風險。
>
> **Q：模型分數高就能直接報警嗎？**
> 不能。金融場景通常要保留人工複核，因為誤報、法律責任與客戶體驗都不能只交給分數處理。
### 相關術語

> - **詐欺偵測**：同樣處理風險交易，但焦點更偏向詐騙手法
> - **異常偵測**：AML AI 常把異常偵測當成前置工具
> - **人工智慧監管**：合規需求會直接影響 AML 系統怎麼設計

---

來源：https://aiterms.tw/terms/anti-money-laundering-ai
快查頁：https://aiterms.tw/terms/anti-money-laundering-ai
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-anti-money-laundering-ai