美國財政部表示，其擴大使用的機器學習系統有助於在2024 年發現並防止數十億美元的欺詐性付款。財政部是許多聯邦計畫的支票開立者，每年為社會安全和醫療補助等項目處理約14 億筆付款，價值6.9 兆美元。

據新聞稿稱，在9 月結束的最近一個財政年度，該機構採用新的數據驅動方法根除不良行為者，為防止和追回超過40 億美元的欺詐性付款做出了貢獻。 與2023 財年發現或追回的6.527 億美元詐欺性付款相比，增加了六倍多。

該機構將這一成長歸功於其新的數據驅動型詐欺檢測方法。 這包括使用機器學習來識別詐欺事件，並優先對高風險交易進行進一步調查。 財政部也與其他聯邦和州機構合作，透過”不支付”資料庫和其他支付完整性工具共享資訊。

” 財政部認真對待我們作為納稅人資金的有效管理者的責任。”財政部副部長瓦利-阿德耶莫（Wally Adeyemo）在一份聲明中說：”幫助確保各機構在正確的時間向正確的人支付正確的金額，是我們工作的核心。 我們將繼續與聯邦政府其他部門合作，為他們提供必要的工具、數據和專業知識，以阻止不當支付和詐欺行為。 “

雖然防止或追回的40 億美元欺詐性付款並不是一個小數目，但與政府對詐欺發生額的估計相比就顯得微不足道了。

今年4 月，聯邦政府問責局估計，聯邦機構每年因詐欺損失2,330 億至5,210 億美元。 美國政府問責局的報告建議，財政部因其在處理支付方面的核心作用，應更好地利用數據分析工具。

政府機構和金融機構都越來越依賴機器學習演算法來識別詐欺行為。 這些系統使用收款人的大量資料–包括銀行帳戶、實際地址、IP 位址、人口資訊、使用者名稱和密碼等詳細資訊–來識別與詐欺相關的模式。

正如財政部在先前有關金融部門詐欺的報告中所指出的，這種”用於訓練詐欺檢測模型的歷史數據可能存在偏差，例如反詐欺案件中某些人口統計資訊的比例過高”。