Detección de fraude con inteligencia artificial y aprendizaje automático: cómo funciona para proteger su empresa
Publicado: 2020-06-22Si bien los expertos en ciberseguridad, en cooperación con desarrolladores y analistas, intentan crear un sistema perfecto de protección contra el fraude, la cantidad de víctimas y los intentos exitosos no hacen más que crecer. Cuantas más acciones hagamos, dejando rastro de los datos, más fácil será recopilar toda la información necesaria para que la trama fraudulenta tenga éxito. La siguiente infografía refleja la imagen actual.
Obviamente, los métodos de años pasados han dejado de ser efectivos. Incluso la detección de fraude con IA y aprendizaje automático no es una píldora mágica ni una garantía absoluta de protección. Sin embargo, no se inventó nada mejor en este momento, por lo que tiene sentido aprender cómo las soluciones de ML y el análisis de detección de fraude pueden hacer que su negocio sea más seguro y que sus clientes confíen más en sus servicios.
¿Qué es la detección de fraude con aprendizaje automático?
El concepto mismo de detección de fraude mediante aprendizaje automático se basa en la idea de que las acciones legítimas e ilegales tienen características diferentes. Además, estos signos pueden ser completamente invisibles para el ojo humano.
El sistema de aprendizaje automático para reconocer el fraude parte de su conocimiento de la operación legítima, compara este conocimiento con eventos que ocurren en tiempo real y saca una conclusión sobre la validez o ilegalidad de una determinada acción. Así es como se ve.
Detección de fraude: solución de aprendizaje automático para la seguridad empresarial
De hecho, la seguridad empresarial es solo la punta del iceberg. O un término colectivo. Los sistemas de aprendizaje automático pueden darle a su negocio más de lo que piensa.
Mejora de la experiencia del cliente
El aprendizaje automático en sí mismo es una herramienta muy poderosa para mejorar la experiencia del usuario. Los sistemas inteligentes aprenden a comprender a los usuarios en función de sus acciones, predicen, personalizan y dan en el blanco. Y también proteger a los usuarios de intentos fraudulentos.
El ejemplo más simple es la detección de fraudes con tarjetas de crédito. Los sistemas avanzados de banca en línea no le permitirán ingresar a la cuenta personal del cliente, administrar dinero si su patrón de comportamiento indica un posible fraude. En este caso, una experiencia de usuario mejorada significa la confianza de sus usuarios de que están protegidos de intentos fraudulentos tanto como sea posible.
Protección de Datos
Según un estudio de Harvard Business Review, el 90% de los usuarios encuestados dijo que la actitud atenta de las empresas a los datos personales de sus clientes muestra una actitud real hacia los clientes. En otras palabras, si quiere ganarse la lealtad del usuario, puede ayudar una actitud cuidadosa con los datos y su protección integral.
Los sistemas de aprendizaje automático pueden rastrear cómo se almacenan, recopilan y utilizan los datos; en general, cuánto cumplen sus procedimientos con GDPR. En el caso de que se detecten posibles actuaciones fraudulentas o anómalas en el tratamiento de datos de los usuarios, el sistema envía una alarma.
Eliminación de RTO fraudulentos, abusos de códigos promocionales y contracargos
Los estafadores a priori son personas inteligentes, de lo contrario, no serían capaces de idear esquemas que funcionen. En cuanto al comercio minorista, esta es una industria muy atractiva, ya que siempre es posible hacerse pasar por un comprador respetable para engañar al vendedor.
Los sistemas de aprendizaje automático pueden detener estos intentos incluso en la etapa de intención, por ejemplo, cuando los usuarios comienzan a realizar un pedido con una IP sospechosa, que ya se ha detectado en esquemas fraudulentos.
Prevención de pérdidas de dinero y problemas de reputación
Cualquier intento fraudulento exitoso significa pérdida de dinero y reputación. Es mucho más fácil devolver dinero que una reputación: esto es exactamente lo que no debe arriesgar. Paradójicamente, algunas empresas se niegan a enfrentar el fraude porque temen que esto dañe su reputación, aunque en realidad es todo lo contrario.
La falta de una estrategia de respuesta fraudulenta es lo que más daña su reputación. Y esta es la opinión de la mayoría de los usuarios modernos.
¿Cuáles son las mejores prácticas para el aprendizaje automático de detección de fraude?
Entonces, ¿cómo funcionan los sistemas de aprendizaje automático para brindar un alto nivel de protección contra ataques ilegales?
Detección de anomalías en tiempo real
Los sistemas basados en reglas detectaron el fraude cuando el dinero ya había sido robado. Los sistemas modernos funcionan con datos que cambian constantemente en tiempo real, por lo que pueden detectar un intento fraudulento incluso en la etapa de intención. Así es como funciona.
( Lea también: Fraude de marketing de afiliados: cómo prevenirlo )
Análisis de comportamiento
En cuanto al comportamiento del usuario, en este caso, el modelo está entrenado para reconocer acciones típicas y anormales de un usuario específico. Una acción anormal con una combinación de otros factores puede ser señal de un intento de fraude, por ejemplo, si el usuario retira una gran cantidad de efectivo en otro país o ciudad.
Aprendizaje profundo
En este caso, es necesario desarrollar una red neuronal y también tener una cantidad muy grande de datos para el análisis.
¿Qué tipos de escenarios de fraude se pueden cubrir con AIML FD?
| comercio electrónico | Cuidado de la salud | Bancario |
|---|---|---|
Ya dijimos que los sistemas pueden rastrear direcciones IP sospechosas y las acciones realizadas con ellas para notificar a una persona autorizada sobre un intento de fraude en línea. |
Este es el caso cuando el sistema debe monitorear el comportamiento de las personas responsables de la emisión de recetas y medicamentos, y encontrar relaciones causa-efecto invisibles (por ejemplo, la conspiración de un médico y un farmacéutico sobre el fraude con medicamentos costosos o estupefacientes). |
El dinero no puede circular sin el control de los bancos y el estado. Esto significa que un sistema diseñado específicamente para buscar patrones similares al lavado de dinero y el financiamiento del terrorismo puede ayudar significativamente a resolver estos delitos y crear un sistema bancario transparente. |
La popularidad de las compras móviles ha llevado al aumento del fraude móvil, que adopta muchas formas, desde el robo de una cuenta hasta el fraude amistoso. En este caso, el algoritmo inteligente monitorea las acciones del usuario realizadas desde un dispositivo móvil y concluye si el teléfono inteligente (o la cuenta) está en manos del propietario legítimo. |
Este es el tipo de fraude más común y, recientemente, el fraude sin tarjeta está comenzando a ganar impulso. Un sistema de detección de fraude en tiempo real puede ayudar a detectar un intento o incluso una intención antes de que se robe el dinero. |
En este caso, el sistema recopila datos sobre el prestatario potencial y llega a una conclusión sobre el riesgo de emitir un préstamo. |
Los datos médicos son muy caros en el mercado negro y las organizaciones médicas deben protegerlos de manera tan responsable como la vida de sus pacientes. Un sistema de aprendizaje automático puede identificar y bloquear los intentos de piratería. |
¿Cuánto cuesta implementar una solución de detección de fraude de ML?
De hecho, es posible hacer una estimación aproximada del costo de tal solución solo después de un análisis muy completo del negocio y sus necesidades.
Costo de cambio/integración
En el caso de cambiar a una solución de IA personalizada desarrollada específicamente para su negocio, puede costar desde $ 6000 en promedio y más. Si desea integrar un software ML de terceros en su negocio, puede costarle $ 40000 por año como punto más alto.
Conjuntos de datos para implementar
Según la investigación de Ravelin, “El aprendizaje automático no es una panacea para la prevención del fraude. Se necesita una cantidad significativa de datos para que los modelos de aprendizaje automático sean precisos. Para algunos comerciantes, es útil aplicar un conjunto básico de reglas iniciales y permitir que los modelos se 'calienten' con más datos”.
En otras palabras, la insuficiencia de datos puede ser una seria limitación para la introducción del aprendizaje automático. Por otro lado, cuantos más datos se necesiten involucrar, más costosa y técnicamente compleja se vuelve la solución para su negocio.
Conclusión
Las oportunidades de aprendizaje automático para las empresas no se limitan a la capacidad de detectar fraudes. El aprendizaje automático y la inteligencia artificial tienen que ver con una experiencia de usuario más agradable, información útil basada en datos y un negocio más optimizado y ético también. Esto es justo lo que debería implementarse en los procesos de negocio en un futuro próximo.
***
Helen Kovalenko es una gerente de proyectos de TI que trabaja en un equipo de ciencia de datos en NLP, visión por computadora y detección de fraude. Conéctese con Helen en LinkedIn.