ИИ в антифроде не святой: почему он ловит мусор, а скам всё равно проходит

ИИ в антифроде не святой: почему он ловит мусор, а скам всё равно проходит

Антифрод с нейросетью любит выглядеть как броня. На деле это часто сито с красивым интерфейсом. Модель отлично режет клик-флуд, повторные инсталды и тупые паттерны, но ломается там, где фрод мимикрирует под живого: паузы, скролл, рандомные касания, нормальные user-agent’ы. Твои лиды пахнут ботами, даже если кабинет поет про качество.

Главная ошибка — верить одному скорингу. Если фильтр смотрит только на device fingerprint, он ловит железо, а не поведение. Если только на поведение — ловит театр. Нужна связка: источник, тайминг, последовательность событий, глубина сессии, повторяемость связок IP/девайс/крео/ленд. Шейв — это не ошибка, это стратегия, и ее не видно в одном столбце.

Еще одна дыра — обучение на старом мусоре. Антифрод натаскивают на очевидный фрод, а потом удивляются, почему вылизанные схемы пролетают в холд. Модель без ручной валидации быстро начинает путать живой трафик с шумом, особенно если в кампании смешаны разные GEO, источники и устройства.

Проверка простая: смотри не на “одобрено/отклонено”, а на цепочку. Если инсталл есть, а дальше пустота; если клики есть, а сессии одинаковые; если время до события слишком ровное — это не трафик, это постановка. Вижу фрод сквозь трекер. Не корми антифрод верой — корми его логами, и рынок очистится через боль и разоблачения.