Wykrywanie oszustw za pomocą sztucznej inteligencji i uczenia maszynowego — jak to działa w celu ochrony Twojej firmy

Opublikowany: 2020-06-22

Podczas gdy eksperci ds. cyberbezpieczeństwa we współpracy z programistami i analitykami starają się stworzyć doskonały system ochrony przed oszustwami, liczba ofiar i udanych prób tylko rośnie. Im więcej działań wykonujemy, pozostawiając ślad po danych, tym łatwiej jest zebrać wszystkie niezbędne informacje, aby oszukańczy schemat się powiódł. Poniższa infografika odzwierciedla aktualny obraz.

Oczywiście metody minionych lat przestały być skuteczne. Nawet wykrywanie oszustw za pomocą sztucznej inteligencji i uczenia maszynowego nie jest ani magiczną pigułką, ani absolutną gwarancją ochrony. Jednak w tej chwili nie wynaleziono nic lepszego, więc warto dowiedzieć się, w jaki sposób rozwiązania ML i analiza wykrywania oszustw mogą zwiększyć bezpieczeństwo Twojej firmy, a klientom zwiększyć zaufanie do Twoich usług.

Co to jest wykrywanie oszustw za pomocą uczenia maszynowego?

Sama koncepcja wykrywania oszustw za pomocą uczenia maszynowego opiera się na założeniu, że legalne i nielegalne działania mają różne cechy. Co więcej, znaki te mogą być całkowicie niewidoczne dla ludzkiego oka.

System uczenia maszynowego do rozpoznawania oszustw opiera się na swojej wiedzy o legalnym działaniu, porównuje tę wiedzę ze zdarzeniami zachodzącymi w czasie rzeczywistym i wyciąga wniosek o słuszności lub bezprawności określonego działania. Oto jak to wygląda.

Wykrywanie oszustw — rozwiązanie uczenia maszynowego dla bezpieczeństwa biznesowego

W rzeczywistości bezpieczeństwo biznesowe to tylko wierzchołek góry lodowej. Albo zbiorowy termin. Systemy uczenia maszynowego mogą dać Twojej firmie więcej, niż myślisz.

  • Poprawa doświadczenia klienta

    Uczenie maszynowe samo w sobie jest bardzo potężnym narzędziem poprawiającym wrażenia użytkownika. Inteligentne systemy uczą się rozumieć użytkowników na podstawie ich działań, przewidywać, dostosowywać i osiągać cel. A także chronić użytkowników przed nieuczciwymi próbami.

    Najprostszym przykładem jest wykrywanie oszustw związanych z kartami kredytowymi. Zaawansowane systemy bankowości internetowej nie pozwolą Ci wejść na osobiste konto klienta, zarządzać pieniędzmi, jeśli Twoje zachowanie wskazuje na możliwe oszustwo. W takim przypadku lepsze wrażenia użytkownika oznaczają pewność użytkowników, że są chronieni przed nieuczciwymi próbami w jak największym stopniu.

  • Ochrona danych

    Według badania Harvard Business Review 90% ankietowanych użytkowników stwierdziło, że uważne podejście firm do danych osobowych ich klientów świadczy o rzeczywistym stosunku do klientów. Innymi słowy, jeśli chcesz zdobyć lojalność użytkowników, pomocne może być ostrożne podejście do danych i ich kompleksowa ochrona.

    Systemy uczenia maszynowego są w stanie śledzić, w jaki sposób dane są przechowywane, gromadzone i wykorzystywane – ogólnie, w jakim stopniu Twoje procedury są zgodne z RODO. W przypadku wykrycia potencjalnych oszukańczych lub nietypowych działań, które traktują dane użytkownika, system wysyła alarm.

  • Eliminacja fałszywych RTO, nadużyć kodów promocyjnych i obciążeń zwrotnych

    Oszuści a priori to mądrzy ludzie, w przeciwnym razie nie byliby w stanie wymyślić skutecznych schematów. Jeśli chodzi o handel detaliczny, jest to bardzo atrakcyjna branża, ponieważ zawsze można udawać szanowanego kupującego, aby oszukać sprzedawcę.

    Systemy uczenia maszynowego są w stanie powstrzymać te próby nawet na etapie intencji – na przykład, gdy użytkownicy zaczynają składać zamówienia z podejrzanym adresem IP, który został już zauważony w oszukańczych schematach.

  • Zapobieganie stratom pieniędzy i problemom z reputacją

    Każda udana nieuczciwa próba oznacza utratę pieniędzy i reputacji. Dużo łatwiej jest zwrócić pieniądze niż reputację – właśnie tego nie powinieneś ryzykować. Paradoksalnie, niektóre firmy odmawiają konfrontacji z oszustwami, ponieważ obawiają się, że zaszkodzi to ich reputacji, choć w rzeczywistości jest odwrotnie.

    Brak strategii oszukańczej reakcji najbardziej szkodzi Twojej reputacji. I taka jest opinia większości współczesnych użytkowników.

Jakie są najlepsze praktyki uczenia maszynowego do wykrywania oszustw

Jak zatem działają systemy uczenia maszynowego, aby zapewnić wysoki poziom ochrony przed nielegalnymi atakami?

  • Wykrywanie anomalii w czasie rzeczywistym

    Systemy oparte na regułach wykryły oszustwo, gdy pieniądze zostały już skradzione. Nowoczesne systemy pracują z ciągle zmieniającymi się danymi w czasie rzeczywistym, dzięki czemu są w stanie złapać nieuczciwą próbę nawet na etapie intencji. Oto jak to działa.

( Przeczytaj także: Oszustwo w marketingu afiliacyjnym: jak temu zapobiec)

  • Analiza zachowania

    Jeśli chodzi o zachowanie użytkownika, w tym przypadku model jest wytrenowany w celu rozpoznawania typowych i nietypowych działań dla określonego użytkownika. Nietypowe działanie z kombinacją innych czynników może być oznaką nieuczciwej próby, na przykład, jeśli użytkownik wypłaci dużą kwotę gotówki w innym kraju lub mieście.

  • Głęboka nauka

    W takim przypadku konieczny jest rozwój sieci neuronowej, a także posiadanie bardzo dużej ilości danych do analizy.

Jakie rodzaje scenariuszy oszustw można objąć AIML FD?

Handel elektroniczny Opieka zdrowotna Bankowość
  • Zapobieganie nadużyciom kodów RTO i kodów promocyjnych:

Powiedzieliśmy już, że systemy są w stanie śledzić podejrzane adresy IP i podejmowane na nich działania w celu powiadomienia upoważnionej osoby o próbie oszustwa internetowego.

  • Zapobieganie nadużywaniu leków i receptur:

Dzieje się tak, gdy system musi monitorować zachowania osób odpowiedzialnych za wydawanie recept i leków oraz znajdować niewidoczne związki przyczynowo-skutkowe (np. spisek lekarza i farmaceuty o oszustwa z drogimi lub odurzającymi środkami odurzającymi).

  • Zapobieganie praniu pieniędzy i finansowaniu terroryzmu:

Pieniądze nie mogą krążyć bez kontroli banków i państwa. Oznacza to, że system specjalnie zaprojektowany do wyszukiwania wzorców podobnych do prania pieniędzy i finansowania terroryzmu może znacząco pomóc w rozwiązaniu tych przestępstw i stworzeniu przejrzystego systemu bankowego.

  • Zapobieganie oszustwom mobilnym:

Popularność zakupów mobilnych doprowadziła do wzrostu liczby oszustw mobilnych, które przybierają różne formy, od kradzieży konta po oszustwa przyjacielskie. W tym przypadku inteligentny algorytm monitoruje działania użytkownika popełnione z urządzenia mobilnego i stwierdza, czy smartfon (lub konto) znajduje się w rękach prawowitego właściciela.

  • Wykrywanie oszustw związanych z kartą kredytową:

Jest to najczęstszy rodzaj oszustwa, a ostatnio oszustwa związane z brakiem karty zaczynają nabierać tempa. System wykrywania oszustw w czasie rzeczywistym może pomóc w wykryciu próby, a nawet zamiaru, zanim pieniądze zostaną skradzione.

  • Wykrywanie problemów kredytowych:

W takim przypadku system zbiera dane o potencjalnym pożyczkobiorcy i wyciąga wniosek o ryzyku udzielenia pożyczki.

  • Ochrona danych medycznych:

Dane medyczne na czarnym rynku są bardzo drogie, a organizacje medyczne muszą chronić je tak odpowiedzialnie, jak życie swoich pacjentów. System uczenia maszynowego jest w stanie identyfikować i blokować próby włamań.

Ile kosztuje wdrożenie rozwiązania do wykrywania oszustw ML?

W rzeczywistości możliwe jest zgrubne oszacowanie kosztu takiego rozwiązania dopiero po bardzo wnikliwej analizie biznesu i jego potrzeb.

  • Koszt przełączania/integracji

    W przypadku przejścia na niestandardowe rozwiązanie AI opracowane specjalnie dla Twojej firmy, może to kosztować średnio od 6000 USD i więcej. Jeśli chcesz zintegrować oprogramowanie ML innej firmy ze swoją firmą, może to kosztować 40000 USD rocznie jako najwyższy punkt.

  • Zestawy danych do wdrożenia

    Według badań Ravelin: „Uczenie maszynowe nie jest srebrną kulą w zapobieganiu oszustwom. Dokładność modeli uczenia maszynowego wymaga znacznej ilości danych. W przypadku niektórych sprzedawców przydatne jest zastosowanie podstawowego zestawu wstępnych zasad i umożliwienie modelom „rozgrzania się” przy większej ilości danych”.

    Innymi słowy, niewystarczające dane mogą być poważnym ograniczeniem we wprowadzaniu uczenia maszynowego. Z drugiej strony, im więcej danych musi być zaangażowanych, tym droższe i technicznie złożone rozwiązanie dla Twojej firmy.

Wniosek

Możliwości uczenia maszynowego dla firm nie ograniczają się do możliwości wykrywania oszustw. Uczenie maszynowe i sztuczna inteligencja to bardziej przyjemne doświadczenie użytkownika, przydatne spostrzeżenia oparte na danych, a także bardziej zoptymalizowany i etyczny biznes. To właśnie powinno zostać w niedalekiej przyszłości zaimplementowane w procesach biznesowych.

***

Helen Kovalenko jest kierownikiem projektów IT, który pracuje w zespole Data Science zajmującym się NLP, komputerową wizją i wykrywaniem oszustw. Połącz się z Helen na LinkedIn.