Detecção de fraudes com IA e aprendizado de máquina – como funciona para proteger sua empresa
Publicados: 2020-06-22Enquanto especialistas em segurança cibernética, em cooperação com desenvolvedores e analistas, tentam criar um sistema perfeito de proteção contra fraudes, o número de vítimas e tentativas bem-sucedidas só cresce. Quanto mais ações fizermos, deixando um rastro dos dados, mais fácil será coletar todas as informações necessárias para que o esquema fraudulento seja bem-sucedido. O infográfico abaixo reflete a imagem atual.
Obviamente, os métodos dos anos anteriores deixaram de ser eficazes. Mesmo a detecção de fraudes com IA e aprendizado de máquina não é uma pílula mágica nem uma garantia absoluta de proteção. No entanto, nada melhor foi inventado no momento, por isso faz sentido aprender como as soluções de ML e a análise de detecção de fraudes podem tornar seus negócios mais seguros e seus clientes mais confiantes em seus serviços.
O que é detecção de fraude com aprendizado de máquina?
O próprio conceito de detecção de fraudes usando aprendizado de máquina é baseado na ideia de que ações legítimas e ilegais têm características diferentes. Além disso, esses sinais podem ser completamente invisíveis ao olho humano.
O sistema de aprendizado de máquina para reconhecimento de fraudes parte de seu conhecimento da operação legítima, compara esse conhecimento com eventos ocorridos em tempo real e tira uma conclusão sobre a validade ou ilegalidade de uma determinada ação. Aqui está como parece.
Detecção de Fraude – Solução de Machine Learning para Segurança Empresarial
Na verdade, a segurança dos negócios é apenas a ponta do iceberg. Ou um termo coletivo. Os sistemas de aprendizado de máquina podem dar ao seu negócio mais do que você pensa.
Melhoria da experiência do cliente
O aprendizado de máquina em si é uma ferramenta muito poderosa para aprimorar a experiência do usuário. Os sistemas inteligentes aprendem a entender os usuários com base em suas ações, prever, personalizar e atingir o alvo. E também proteja os usuários de tentativas fraudulentas.
O exemplo mais simples é a detecção de fraude de cartão de crédito. Sistemas bancários online avançados não permitem que você entre na conta pessoal do cliente, gerencie dinheiro se seu padrão de comportamento indicar uma possível fraude. Nesse caso, a experiência do usuário aprimorada significa a confiança de seus usuários de que estão protegidos o máximo possível contra tentativas fraudulentas.
Proteção de dados
De acordo com um estudo da Harvard Business Review, 90% dos usuários pesquisados disseram que a atitude atenta das empresas em relação aos dados pessoais de seus clientes mostra uma atitude real em relação aos clientes. Em outras palavras, se você deseja conquistar a fidelidade do usuário, uma atitude cuidadosa em relação aos dados e sua proteção abrangente podem ajudar.
Os sistemas de aprendizado de máquina são capazes de rastrear como os dados são armazenados, coletados e usados – geralmente, quanto seus procedimentos estão em conformidade com o GDPR. Caso sejam detectadas possíveis ações fraudulentas ou anormais que tratam os dados do usuário, o sistema envia um alarme.
Eliminação de RTO fraudulento, abusos de código promocional e estornos
Os fraudadores a priori são pessoas inteligentes, caso contrário, eles não seriam capazes de criar esquemas que funcionem. Quanto ao varejo, este é um setor muito atraente, pois sempre é possível fingir ser um comprador respeitável para enganar o vendedor.
Os sistemas de aprendizado de máquina são capazes de impedir essas tentativas mesmo no estágio de intenção – por exemplo, quando os usuários começam a fazer um pedido com um IP suspeito, o que já foi percebido em esquemas fraudulentos.
Prevenção de Perdas de Dinheiro e Problemas de Reputação
Qualquer tentativa fraudulenta bem-sucedida significa perda de dinheiro e reputação. É muito mais fácil devolver dinheiro do que uma reputação – é exatamente isso que você não deve arriscar. Paradoxalmente, algumas empresas se recusam a enfrentar a fraude porque temem que isso prejudique sua reputação, embora, na verdade, seja o contrário.
A falta de uma estratégia de resposta fraudulenta prejudica mais sua reputação. E esta é a opinião da maioria dos usuários modernos.
Quais são as melhores práticas para o aprendizado de máquina de detecção de fraude
Então, como os sistemas de aprendizado de máquina funcionam para fornecer um alto nível de proteção contra ataques ilegais?
Detecção de anomalias em tempo real
Os sistemas baseados em regras detectavam fraudes quando o dinheiro já havia sido roubado. Os sistemas modernos trabalham com dados em constante mudança em tempo real, portanto, são capazes de detectar uma tentativa fraudulenta mesmo na fase de intenção. Aqui está como funciona.
( Leia também: Fraude no marketing de afiliados: como evitá-la)
Análise do comportamento
Quanto ao comportamento do usuário, neste caso, o modelo é treinado para reconhecer ações típicas e anormais para um usuário específico. Uma ação anormal com uma combinação de outros fatores pode ser um sinal de tentativa fraudulenta, por exemplo, se o usuário sacar uma grande quantia em dinheiro em outro país ou cidade.
Aprendizado profundo
Nesse caso, é necessário desenvolver uma rede neural, e também ter uma quantidade muito grande de dados para análise.
Que tipos de cenários de fraude podem ser cobertos pelo AIML FD?
| Comércio eletrônico | Assistência médica | Bancário |
|---|---|---|
Já dissemos que os sistemas são capazes de rastrear endereços IP suspeitos e ações tomadas com eles para notificar uma pessoa autorizada sobre uma tentativa de fraude online. |
É o caso quando o sistema deve monitorar o comportamento dos responsáveis pela emissão de receitas e medicamentos e encontrar relações invisíveis de causa e efeito (por exemplo, a conspiração de um médico e farmacêutico sobre fraude com medicamentos caros ou entorpecentes). |
O dinheiro não pode circular sem o controle dos bancos e do Estado. Isso significa que um sistema projetado especificamente para buscar padrões semelhantes a lavagem de dinheiro e financiamento do terrorismo pode ajudar significativamente a resolver esses crimes e criar um sistema bancário transparente. |
A popularidade das compras móveis levou ao aumento da fraude móvel, que assume muitas formas, desde o roubo de uma conta até a fraude amigável. Nesse caso, o algoritmo inteligente monitora as ações do usuário cometidas a partir de um dispositivo móvel e conclui se o smartphone (ou conta) está nas mãos do legítimo proprietário. |
Este é o tipo mais comum de fraude e, recentemente, a fraude com cartão não presente está começando a ganhar força. Um sistema de detecção de fraudes em tempo real pode ajudar a detectar uma tentativa ou até mesmo uma intenção antes que o dinheiro seja roubado. |
Nesse caso, o sistema coleta dados sobre o potencial tomador e tira uma conclusão sobre o risco de emitir um empréstimo. |
Os dados médicos são muito caros no mercado negro, e as organizações médicas devem protegê-los com a mesma responsabilidade que a vida de seus pacientes. Um sistema de aprendizado de máquina é capaz de identificar e bloquear tentativas de hackers. |
Quanto custa implementar uma solução de detecção de fraude de ML?
De fato, é possível fazer uma estimativa aproximada do custo de tal solução somente após uma análise minuciosa do negócio e de suas necessidades.
Custo de comutação/integração
No caso de mudar para uma solução de IA personalizada desenvolvida especificamente para sua empresa, pode custar em média US$ 6.000 ou mais. Se você deseja integrar um software de ML de terceiros à sua empresa, pode custar US$ 40.000 por ano como o ponto mais alto.
Conjuntos de dados para implementar
De acordo com a pesquisa de Ravelin, “o aprendizado de máquina não é uma bala de prata para a prevenção de fraudes. É preciso uma quantidade significativa de dados para que os modelos de aprendizado de máquina se tornem precisos. Para alguns comerciantes, é útil aplicar um conjunto básico de regras iniciais e permitir que os modelos 'aqueçam' com mais dados”.
Em outras palavras, dados insuficientes podem ser uma séria limitação na introdução do aprendizado de máquina. Por outro lado, quanto mais dados precisam ser envolvidos, mais cara e tecnicamente complexa se torna a solução para o seu negócio.
Conclusão
As oportunidades de aprendizado de máquina para empresas não se limitam à capacidade de detectar fraudes. O aprendizado de máquina e a inteligência artificial são uma experiência do usuário mais agradável, insights úteis baseados em dados e um negócio mais otimizado e ético também. Isso é exatamente o que deve ser implementado nos processos de negócios em um futuro próximo.
***
Helen Kovalenko é Gerente de Projetos de TI que trabalha em uma equipe de Ciência de Dados em PNL, Visão Computacional e Detecção de Fraudes. Conecte-se com Helen no LinkedIn.