了解如何在 OCI 上部署多代理 AI 欺诈检测系统
金融机构面临着复杂的欺诈企图，需要进行智能的自动化分析。
受美国卫报人寿保险公司在欺诈预防方面的创新启发，我们提出了一个专门基于 Oracle Cloud Infrastructure (OCI) 服务的多代理欺诈检测系统。该设计使用多个专门的人工智能代理，例如欺诈分析仪和数据检索代理，这些代理由中央编排人员或主管代理协调。结合使用，他们模拟了一个调查团队，该团队能够显示洞察、收集证据、推荐决策并生成叙述。
此多代理欺诈检测用例使用基于 Oracle Cloud 的现代 AI 驱动架构。通过将 OCI 数据库和其他服务与编排的座席框架相结合，我们创建了一个系统，可以主动识别欺诈行为，并通过 AI 生成的洞察来帮助调查人员。
该设计具有可扩展性和灵活性，支持您随着欺诈方案的发展更新配置或部署其他 OCI 功能，从而添加新的代理或工具。它还以安全的方式将前沿 AI 功能（例如大型语言模型 (LLM) 和异常检测）与企业数据系统（例如 Oracle Autonomous Database ）连接起来。服务器编排器可确保每个 AI 代理协同工作，并以所需的语言（SQL 和 API 调用）与 Oracle 系统进行通信，以便通过使用真实数据将 AI 的意图转化为实际操作。
您可以调整此设计来创建一个演示平台，该平台可以遍历各种场景，例如检测保险欺诈。它可以显示编排人员如何将任务分配给座席，并通过使用仪表盘或聊天机器人回复来说明欺诈分析器座席的调查结果，从而呈现最终结果。利益相关方可以了解模块化架构并清楚地了解 OCI 服务的角色：Autonomous Database 可大规模管理数据， OCI Functions 可运行微服务， OCI Generative AI 可增强智能。
此设计演示了 Oracle Cloud 如何提供代理式 AI 工作流来实时检测欺诈行为，从而通过富有洞察力的情境更快地捕获欺诈行为，并最终保护业务及其客户。该体系结构分为两个阶段：
- 第 1 阶段：通过调整 Google 的开源 Gen AI Toolbox 概念来创建可扩展的代理框架来实施编排层。
- 第 2 阶段：集成更深入的 OCI 大语言模型 (LLM) 推理来增强智能。
关于产品和服务
此解决方案重点介绍了以下产品和服务：
阶段 1：
- Google Gen AI Toolbox 运行于
- Oracle Cloud Infrastructure（计算）
- Oracle Cloud Infrastructure Kubernetes Engine
- Oracle Autonomous Transaction Processing
- Oracle Cloud Infrastructure Functions （无服务器）
- Oracle Cloud Infrastructure 异常检测
阶段 2：
- Oracle Cloud Infrastructure Generative AI 或 Oracle 预训练模型
- Oracle Cloud Infrastructure Data Science
- Oracle Machine Learning
- Oracle Cloud Infrastructure Language
- Oracle Cloud Infrastructure 流处理
- Oracle Cloud Infrastructure GoldenGate
观看 Oracle 产品、解决方案和服务，了解您的需求。
体系结构
此架构显示了基于 Oracle Cloud Infrastructure (OCI) 的多代理 AI 欺诈检测系统。
此设计使用多个 AI 代理来提供关键洞察、收集证据并生成全面的欺诈分析。
核心是用于协调代理交互的模型上下文协议 (MCP) 服务器。专业代理处理不同的任务。例如，数据检索代理查询企业数据源，欺诈分析代理评估和解释异常。流在事件（例如可疑交易警报或调查人员的查询）触发编排器时开始。然后，编排程序将子任务委托给代理，并使用扇入和扇出设计模式来合并其结果。每个座席都使用 OCI 本机服务执行任务（数据库查询、LLM 推断等），编排人员在座席和 Oracle 系统上下文之间进行转换，确保每个座席都能以所需的格式获取所需信息。
下图显示了流程流概览：
ai-fraud-detection-flow-oracle.zip
- MCP 编排程序服务器
模型上下文协议 (MCP) 服务器是协调集线器，用于编排代理操作并维护调查的整体上下文或状态。它使用 MCP 来标准化代理调用工具和交换数据的方式。作为一个“中心大脑”，它接收初始请求（欺诈警报或分析查询），并按顺序调用适当的代理。它还将高级座席意图转换为 Oracle 系统上的低级别操作，例如将座席的客户信息请求转换为 SQL 查询，并将 SQL 结果转换为自然语言响应。此方法使用编排器作为代理逻辑与企业数据之间的桥梁，从而使代理与直接系统调用分离，从而实现灵活的更新和集中控制。在该架构的第一阶段，该服务器是一个轻量级服务器，源自在 Oracle Cloud Infrastructure Compute 或 OCI Kubernetes Engine 上运行的 Google Gen AI Toolbox。
- 数据检索代理
数据检索代理是一个专门的代理，负责从企业源提取相关数据。例如，从编排器接收客户 ID 或事务处理 ID 时，它会查询 Oracle Autonomous Database 或其他 OCI 数据存储，以获取近期事务处理、账户概要信息、索赔历史记录等信息。您可以通过使用 OCI Functions （无服务器）调用托管在 MCP 服务器上的 Autonomous Database 工具来实施此代理。代理包含所有数据访问逻辑。Orchestrator 服务器可能为此代理使用预定义的工具，例如 YAML 配置的
LookupTransaction或GetCustomerProfile工具，该工具知道如何在 Autonomous Database 上运行正确的 SQL。与 Google Gen AI Toolbox 使用 YAML 定义的工具让代理执行数据库操作类似，此设计将数据库查询定义为配置驱动的工具。在第一阶段，数据代理只需在不涉及 AI 决策的情况下执行这些查询，并将结果返回给编排人员。 - 欺诈分析仪代理
欺诈分析仪代理是评估数据以识别欺诈迹象并生成洞察的基石代理。此代理摄取上下文，例如编排器提供的事务处理详细信息、客户信息或历史模式，并应用 AI/ML 逻辑来确定方案是否可能具有欺诈性。在第 1 阶段，这可以是基于规则的引擎，也可以是 OCI 异常检测模型，以提供快速、确定的响应。例如，它可能会标记异常，例如远超出正常范围的事务处理或短时间内多个索赔。然后，代理生成欺诈评分或分类，并可能进行解释。
在第 2 阶段，通过使用 OCI Generative AI 或 Oracle 预训练模型生成用户可读的调查叙述，增强了欺诈分析器代理的 LLM 功能。通过这种方式，生成式 AI 自动创建调查结果的简洁报告，总结交易被标记的原因，并直接引用数据，例如客户最近的交易如何向海外显示异常的高价值购买，这与他们的正常模式偏离了 5σ (5 sigma)，这表明欺诈可能性很高。Oracle 自己的金融服务部门强调了此类生成式叙述在加速调查中的价值。在第 2 阶段，欺诈分析器代理可以使用 OCI LLM 分析数据并解释结果。例如，它可能会使用包含数据的提示，并要求模型分析欺诈风险，或者它可以通过先调用计算工具，然后让 LLM 详细说明结果来执行工具辅助推理。
- 其他代理（根据需要）
该体系结构支持插入其他代理以扩充分析。例如，外部检查代理可以调用第三方服务，例如制裁列表或信用机构，以收集有关实体的更多证据。另一个可能是通知和案例管理代理，在确认欺诈后，将案例记录到系统中或触发向人工调查员发送的警报。编排人员能够管理多个代理并协调复杂的工作流，从而在不干扰现有代理的情况下添加新代理。这种模块化功能使系统可以扩展到演示展示，这些演示展示可以从两个座席开始，然后为其他演示场景附加更多内容，例如合规性检查、客户消息传递等。