Deteksi Penipuan dengan AI dan Pembelajaran Mesin – Cara Kerjanya untuk Melindungi Bisnis Anda
Diterbitkan: 2020-06-22Sementara pakar keamanan siber, bekerja sama dengan pengembang dan analis, mencoba menciptakan sistem perlindungan yang sempurna terhadap penipuan, jumlah korban dan upaya yang berhasil hanya bertambah. Semakin banyak tindakan yang kita lakukan, meninggalkan jejak data, semakin mudah mengumpulkan semua informasi yang diperlukan sehingga skema penipuan berhasil. Infografis di bawah ini mencerminkan gambaran saat ini.
Jelas, metode tahun-tahun terakhir tidak lagi efektif. Bahkan Deteksi Penipuan dengan AI dan Pembelajaran Mesin bukanlah pil ajaib atau jaminan perlindungan mutlak. Namun, tidak ada yang lebih baik yang ditemukan saat ini, jadi masuk akal untuk mempelajari bagaimana solusi ML dan analisis deteksi penipuan dapat membuat bisnis Anda lebih aman, dan pelanggan Anda lebih percaya diri dengan layanan Anda.
Apa itu Deteksi Penipuan Dengan Pembelajaran Mesin?
Konsep mendeteksi penipuan menggunakan pembelajaran mesin didasarkan pada gagasan bahwa tindakan yang sah dan ilegal memiliki karakteristik yang berbeda. Selain itu, tanda-tanda ini bisa sama sekali tidak terlihat oleh mata manusia.
Sistem pembelajaran mesin untuk mengenali penipuan berasal dari pengetahuannya tentang operasi yang sah, membandingkan pengetahuan ini dengan peristiwa yang terjadi secara real-time dan menarik kesimpulan tentang validitas atau ilegalitas tindakan tertentu. Berikut adalah tampilannya.
Deteksi Penipuan – Solusi Pembelajaran Mesin untuk Keamanan Bisnis
Faktanya, keamanan bisnis hanyalah puncak gunung es. Atau istilah kolektif. Sistem pembelajaran mesin dapat memberi bisnis Anda lebih dari yang Anda kira.
Peningkatan Pengalaman Pelanggan
Pembelajaran mesin itu sendiri adalah alat yang sangat kuat untuk meningkatkan pengalaman pengguna. Sistem pintar belajar memahami pengguna berdasarkan tindakan mereka, memprediksi, menyesuaikan, dan mencapai target. Dan juga melindungi pengguna dari upaya penipuan.
Contoh paling sederhana adalah deteksi penipuan kartu kredit. Sistem perbankan online canggih tidak akan memungkinkan Anda untuk memasuki akun pribadi klien, mengelola uang jika pola perilaku Anda menunjukkan kemungkinan penipuan. Dalam hal ini, pengalaman pengguna yang ditingkatkan berarti kepercayaan pengguna Anda bahwa mereka dilindungi dari upaya penipuan sebanyak mungkin.
Perlindungan data
Menurut studi Harvard Business Review, 90% pengguna yang disurvei mengatakan bahwa sikap perhatian perusahaan terhadap data pribadi pelanggan mereka menunjukkan sikap nyata terhadap pelanggan. Dengan kata lain, jika Anda ingin memenangkan loyalitas pengguna, maka sikap hati-hati terhadap data dan perlindungan komprehensifnya dapat membantu.
Sistem pembelajaran mesin dapat melacak bagaimana data disimpan, dikumpulkan, dan digunakan – umumnya, seberapa sesuai prosedur Anda dengan GDPR. Jika potensi tindakan curang atau tidak normal yang menangani data pengguna terdeteksi, sistem akan mengirimkan alarm.
Penghapusan RTO Penipuan, Penyalahgunaan Kode Promo, dan Tagihan Balik
Penipu apriori adalah orang pintar, jika tidak, mereka tidak akan bisa membuat skema yang berhasil. Adapun ritel, ini adalah industri yang sangat menarik, karena selalu mungkin untuk berpura-pura menjadi pembeli yang terhormat untuk menipu penjual.
Sistem pembelajaran mesin dapat menghentikan upaya ini bahkan pada tahap niat – misalnya, ketika pengguna mulai memesan dengan IP yang mencurigakan, yang telah diketahui dalam skema penipuan.
Pencegahan Kerugian Uang dan Masalah Reputasi
Setiap upaya penipuan yang berhasil berarti kehilangan uang dan reputasi. Jauh lebih mudah untuk mengembalikan uang daripada reputasi – inilah tepatnya yang tidak boleh Anda ambil risiko. Paradoksnya, beberapa perusahaan menolak untuk menghadapi penipuan karena mereka takut ini akan merusak reputasi mereka, meskipun kenyataannya adalah sebaliknya.
Kurangnya strategi respons penipuan paling merusak reputasi Anda. Dan ini adalah pendapat sebagian besar pengguna modern.
Apa Praktik Terbaik untuk Pembelajaran Mesin Deteksi Penipuan?
Jadi, bagaimana cara kerja sistem pembelajaran mesin untuk memberikan perlindungan tingkat tinggi terhadap serangan ilegal?
Deteksi anomali waktu nyata
Sistem berbasis aturan mendeteksi penipuan ketika uang sudah dicuri. Sistem modern bekerja dengan data yang terus berubah secara real-time, oleh karena itu mereka dapat menangkap upaya penipuan bahkan pada tahap niat. Berikut cara kerjanya.
( Baca Juga: Affiliate Marketing Fraud: Cara Mencegahnya)
Analisis perilaku
Adapun perilaku pengguna, dalam hal ini, model dilatih untuk mengenali tindakan khas dan tidak normal untuk pengguna tertentu. Tindakan abnormal dengan kombinasi faktor lain dapat menjadi tanda upaya penipuan, misalnya, jika pengguna menarik uang tunai dalam jumlah besar di negara atau kota lain.
Pembelajaran mendalam
Dalam hal ini, perlu untuk mengembangkan jaringan saraf, dan juga memiliki jumlah data yang sangat besar untuk dianalisis.
Jenis Skenario Penipuan Apa yang Dapat Dicakup Dengan AIML FD?
| Perdagangan elektronik | Kesehatan | Perbankan |
|---|---|---|
Kami telah mengatakan bahwa sistem dapat melacak alamat IP yang mencurigakan dan tindakan yang diambil untuk memberi tahu orang yang berwenang tentang upaya penipuan online. |
Ini adalah kasus ketika sistem harus memantau perilaku orang yang bertanggung jawab atas penerbitan resep dan obat-obatan, dan menemukan hubungan sebab-akibat yang tidak terlihat (misalnya, konspirasi dokter dan apoteker tentang penipuan dengan obat mahal atau narkotika). |
Uang tidak dapat beredar tanpa dikontrol oleh bank dan negara. Ini berarti bahwa sistem yang dirancang khusus untuk mencari pola yang mirip dengan pencucian uang dan pendanaan teroris dapat secara signifikan membantu menyelesaikan kejahatan ini dan menciptakan sistem perbankan yang transparan. |
Popularitas belanja seluler telah menyebabkan munculnya penipuan seluler, yang mengambil banyak bentuk dari pencurian akun hingga penipuan ramah. Dalam hal ini, algoritme cerdas memantau tindakan pengguna yang dilakukan dari perangkat seluler dan menyimpulkan apakah ponsel cerdas (atau akun) ada di tangan pemilik yang sah. |
Ini adalah jenis penipuan yang paling umum, dan baru-baru ini penipuan kartu tidak hadir mulai mendapatkan momentum. Sistem deteksi penipuan waktu nyata dapat membantu mendeteksi upaya atau bahkan niat sebelum uang dicuri. |
Dalam hal ini, sistem mengumpulkan data tentang peminjam potensial dan membuat kesimpulan tentang risiko pemberian pinjaman. |
Data medis sangat mahal di pasar gelap, dan organisasi medis harus melindunginya secara bertanggung jawab seperti nyawa pasien mereka. Sistem pembelajaran mesin mampu mengidentifikasi dan memblokir upaya peretasan. |
Berapa Biaya untuk Menerapkan Solusi Deteksi Penipuan ML?
Sebenarnya, adalah mungkin untuk membuat perkiraan kasar tentang biaya solusi semacam itu hanya setelah analisis bisnis dan kebutuhannya yang sangat teliti.
Biaya Switching/Integrasi
Jika beralih ke solusi AI khusus yang dikembangkan secara khusus untuk bisnis Anda, biayanya mungkin mulai dari $6000 rata-rata dan lebih tinggi. Jika Anda ingin mengintegrasikan perangkat lunak ML pihak ketiga ke dalam bisnis Anda, Anda mungkin dikenakan biaya $40000 per tahun sebagai poin tertinggi.
Kumpulan Data untuk diterapkan
Menurut penelitian Ravelin, “Pembelajaran mesin bukanlah peluru perak untuk pencegahan penipuan. Dibutuhkan sejumlah besar data agar model pembelajaran mesin menjadi akurat. Untuk beberapa pedagang, akan berguna untuk menerapkan seperangkat aturan dasar dan memungkinkan model untuk 'pemanasan' dengan lebih banyak data”.
Dengan kata lain, data yang tidak mencukupi dapat menjadi batasan serius pada pengenalan pembelajaran mesin. Di sisi lain, semakin banyak data yang dibutuhkan, semakin mahal dan kompleks secara teknis solusi untuk bisnis Anda.
Kesimpulan
Peluang pembelajaran mesin untuk bisnis tidak terbatas pada kemampuan mendeteksi penipuan. Pembelajaran mesin dan kecerdasan buatan adalah tentang pengalaman pengguna yang lebih menyenangkan, wawasan berbasis data yang berguna, dan juga bisnis yang lebih optimal dan etis. Inilah yang harus diterapkan dalam proses bisnis dalam waktu dekat.
***
Helen Kovalenko adalah Manajer Proyek TI yang bekerja di tim Ilmu Data di NLP, Computer Vision, dan Deteksi Penipuan. Terhubung dengan Helen di LinkedIn.