開場案例。以 Danske Bank 的詐欺偵測現代化說明深度學習、圖形處理器（Graphics Processing Unit, GPU）、即時模型比較與人工介入如何共同進入正式營運。
理解偽陽性、真陽性、冠軍／挑戰者（Champion/Challenger）方法、正式部署與人機分工。
Danske Bank 面對數位交易增加與詐欺手法變複雜，原有規則引擎的偵測能力與偽陽性負擔已不足以支援調查工作。
| 原書指標 | 數值／內容 |
|---|---|
| 認證詐欺檢查師協會（Association of Certified Fraud Examiners）所引年度詐欺損失 | 超過 3.5 兆美元 |
| 原詐欺偵測率 | 40% |
| 偽陽性 | 每天最多 1,200 件 |
| 調查案件中非詐欺占比 | 99.5% |
| 主要技術 | 深度學習＋GPU 設備＋即時冠軍／挑戰者模型 |
| 導入時間 | 專案啟動到正式上線：5 個月 |
多個挑戰者模型以即時資料持續比較；若某個挑戰者表現優於其他模型，就成為冠軍模型。模型可加入地理位置、近期自動櫃員機交易等額外資料。對具有脈絡歧義的異常，仍保留分析師介入。
| 結果 | 原書數值 |
|---|---|
| 偽陽性 | 降低 60%；預期可達 80% |
| 真陽性 | 增加 50% |
| 舊規則引擎 | 約捕捉 40% 詐欺 |
| 正式上線時間 | 5 個月 |
若以原書每天最多 1,200 件偽陽性作純算術示範，降低 60% 相當於每天減少 720 件、剩約 480 件；這是假設降低比例套用於該上限，不是原書另行報告的實際日均值。
案例顯示深度學習的價值不是單純提高偵測率，而是同時降低調查人員工作負擔。冠軍／挑戰者方法也把模型監控變成正式營運流程；但異常交易的商業脈絡仍可能需要人判斷。
根據原書 40%、每天 1,200 件、99.5%、60%、80%、50% 與 5 個月等數字，分別分析偵測品質、偽陽性負擔、部署速度與人工監督；不要生成原書未提供的金額式投資報酬率。
問題： 若以每天 1,200 件為基準，偽陽性降低 80% 時剩多少？
參考解答： 1,200 × (1 − 0.80) = 每天 240 件。這是以上限作假設情境，不等於原書已實現值。