Monzo 披露，机器学习每年帮助防止数百万英镑的未授权交易、诈骗和 money-muling 损失。LLM 驱动的运营系统已经带来一批强结果，包括自动处理部分客户查询、更快的决策工作流、可衡量的客户满意度提升，以及更快、更一致、更具上下文感知的支持。 在信贷方面，Monzo 使用 ML 预测信用风险、理解额度使用和估计产品倾向，从而在风险偏好内向更多客户提供合适价格和额度。个性化方面，Monzo 正在用消费、储蓄和产品使用数据推荐下一步行动，帮助客户更好地管理钱。
真实案例
- 机构：Monzo
- 项目：Machine Learning at Monzo in 2025
- 时间：2025 年 11 月
- 类别：平台治理 / 反欺诈 / 信贷决策 / 个性化
- 来源：https://monzo.com/blog/machine-learning-at-monzo-in-2025 ↗
业务背景
数字银行的竞争优势很大程度来自数据和模型能力。欺诈防控、客户服务、信贷、个性化和产品体验都需要持续学习和快速迭代。Monzo 的 2025 年机器学习总结不是单一案例，而是展示一家数字银行如何把 ML 从早期试验发展成覆盖核心业务的能力体系。
该案例对银行从业者很有价值，因为它把 AI 应用按成熟度分层：反欺诈已是成熟高影响场景，客户与金融犯罪运营正在快速发展，信贷决策是负责任放贷基础，个性化是最新前沿，而 ML 平台是所有场景的基础设施。
AI 方案
Monzo 2025 年 ML 投资聚焦五个方面：侦测和预防金融犯罪与欺诈；客户和金融犯罪运营；信贷决策；个性化；机器学习平台。在欺诈方面，Monzo 从识别已知攻击模式，发展到多任务深度学习和表示学习，通过客户与交易的自监督嵌入捕捉正常行为结构，从而更快识别新型攻击。
在运营方面，Monzo 使用基础大语言模型自建方案，支持客户查询自动处理、更快决策、意图理解、请求分类、路由、上下文推断，以及将合适客户服务人员匹配到合适任务。对于复杂运营流程，Monzo 正在开发能推理、规划并安全调用工具的 Agents，并用多阶段评估策略确保正确性、具体性和语气。
已披露效果
Monzo 披露，机器学习每年帮助防止数百万英镑的未授权交易、诈骗和 money-muling 损失。LLM 驱动的运营系统已经带来一批强结果，包括自动处理部分客户查询、更快的决策工作流、可衡量的客户满意度提升，以及更快、更一致、更具上下文感知的支持。
在信贷方面，Monzo 使用 ML 预测信用风险、理解额度使用和估计产品倾向，从而在风险偏好内向更多客户提供合适价格和额度。个性化方面，Monzo 正在用消费、储蓄和产品使用数据推荐下一步行动，帮助客户更好地管理钱。
可迁移到银行的设计
- 银行 ML 路线图可按“成熟场景、成长场景、前沿场景、平台能力”分层。
- 反欺诈适合从规则和小模型逐步演进到多任务深度学习和行为表示学习。
- 运营自动化要结合意图识别、路由、工单优先级和人机协同。
- 个性化必须追求“精准但不打扰”，避免让客户感觉被过度监控。
风险治理要点
- 信贷模型必须持续监控公平性、可解释性和经济周期下的稳定性。
- 运营自动化要为复杂或敏感问题保留人工判断和同理心。
- 表示学习和实时个性化可能扩大隐私风险，需要严格同意和最小化使用。
- Agent 调用工具必须经过评估、权限限制和专家监督。
本项目可做的小实验
把银行 AI 能力画成五层：反欺诈、运营、信贷、个性化、平台。每层写 3 个可做用例、1 个关键指标和 1 个最大的治理风险。
原始来源与整理依据
文字分析来自内容源；业务分类、技术标签由 SeekingDAO 按规则整理。披露效果保留原有时间、范围和预测口径，未作独立审计。开源项目与 Skill 的当前许可、兼容性及依赖请以其上游为准。