使用 AI 和机器学习进行欺诈检测——如何保护您的业务

已发表: 2020-06-22

虽然网络安全专家正在与开发人员和分析师合作，试图创建一个完美的欺诈保护系统，但受害者的数量和成功尝试的数量只会越来越多。 我们采取的行动越多，留下数据的痕迹，就越容易收集所有必要的信息，从而使欺诈计划成功。 下面的信息图反映了当前的情况。

显然，过去几年的方法已经不再有效。 即使是使用人工智能和机器学习进行欺诈检测也不是灵丹妙药，也不是绝对的保护保证。 但是，目前没有更好的发明，因此了解 ML 解决方案和欺诈检测分析如何使您的业务更安全，让您的客户对您的服务更有信心是有意义的。

什么是机器学习的欺诈检测？

使用机器学习检测欺诈的概念是基于合法和非法行为具有不同特征的想法。 而且，这些迹象对于人眼来说是完全不可见的。

用于识别欺诈的机器学习系统从其对合法操作的了解出发，将这些知识与实时发生的事件进行比较，并得出关于某个操作的有效性或非法性的结论。 这是它的外观。

欺诈检测——企业安全机器学习解决方案

事实上，业务安全只是冰山一角。 或统称。 机器学习系统可以为您的业务带来比您想象的更多的东西。

  • 客户体验改善

    机器学习本身就是增强用户体验的非常强大的工具。 智能系统根据用户的行为学习了解用户、预测、定制和达到目标。 并且还保护用户免受欺诈企图。

    最简单的例子是信用卡欺诈检测。 如果您的行为模式表明可能存在欺诈行为，先进的网上银行系统将不允许您进入客户的个人账户管理资金。 在这种情况下，改进的用户体验意味着您的用户相信他们会尽可能地免受欺诈尝试的影响。

  • 数据保护

    根据哈佛商业评论的一项研究，90% 的受访用户表示，公司对客户个人数据的关注态度表明了对客户的真实态度。 换句话说，如果你想赢得用户的忠诚度，那么对数据的谨慎态度和对数据的全面保护会有所帮助。

    机器学习系统能够跟踪数据的存储、收集和使用方式——通常，您的程序在多大程度上符合 GDPR。 如果检测到处理用户数据的潜在欺诈或异常行为，系统会发出警报。

  • 消除欺诈性 RTO、促销代码滥用和退款

    先验的欺诈者是聪明人，否则，他们将无法想出可行的方案。 至于零售，这是一个非常有吸引力的行业，因为总是有可能假装是一个受人尊敬的买家来欺骗卖家。

    机器学习系统甚至能够在意图阶段阻止这些尝试——例如，当用户开始使用可疑 IP 下订单时，这已经在欺诈计划中被发现。

  • 金钱损失和声誉问题预防

    任何成功的欺诈企图都意味着金钱和名誉的损失。 退钱比退还声誉要容易得多——这正是您不应该冒险的地方。 矛盾的是，一些公司拒绝面对欺诈，因为他们担心这会损害他们的声誉，尽管事实上恰恰相反。

    缺乏欺诈性响应策略对您的声誉损害最大。 这是大多数现代用户的意见。

欺诈检测机器学习的最佳实践是什么

那么，机器学习系统如何工作以提供针对非法攻击的高水平保护呢？

  • 实时异常检测

    当钱已经被盗时，基于规则的系统会检测到欺诈行为。 现代系统实时处理不断变化的数据，因此即使在意图阶段它们也能够捕捉到欺诈企图。 这是它的工作原理。

（另请阅读：联盟营销欺诈：如何预防）

  • 行为分析

    至于用户行为，在这种情况下，模型被训练为识别特定用户的典型和异常行为。 结合其他因素的异常行为可能是欺诈企图的迹象，例如，如果用户在另一个国家或城市提取大量现金。

  • 深度学习

    在这种情况下，就需要开发一个神经网络，并且还要有非常大量的数据进行分析。

AIML FD 可以涵盖哪些类型的欺诈场景？

电子商务卫生保健银行业
  • RTO 和促销代码滥用预防：

我们已经说过，系统能够跟踪可疑的 IP 地址和对其采取的行动，以便将在线欺诈企图通知授权人员。

  • 药物和食谱滥用预防：

当系统必须监控负责开具处方和药物的人员的行为，并发现无形的因果关系（例如，医生和药剂师合谋欺诈昂贵或麻醉药品）时，就会出现这种情况。

  • 洗钱和恐怖主义融资预防：

没有银行和国家的控制，货币就无法流通。 这意味着专门设计用于搜索类似于洗钱和恐怖主义融资模式的系统可以极大地帮助解决这些犯罪并创建一个透明的银行系统。

  • 移动欺诈预防：

移动购物的普及导致了移动欺诈的兴起，其形式多种多样，从账户盗窃到友好欺诈。 在这种情况下，智能算法会监控用户从移动设备执行的操作，并判断智能手机（或帐户）是否在合法所有者手中。

  • 信用卡欺诈检测：

这是最常见的欺诈类型，最近无卡欺诈开始流行。 实时欺诈检测系统可以帮助在钱被盗之前检测企图甚至意图。

  • 贷款问题检测：

在这种情况下，系统会收集有关潜在借款人的数据，并对发放贷款的风险做出结论。

  • 医疗数据保护：

黑市上的医疗数据非常昂贵，医疗机构必须像保护患者生命一样负责任地保护它。 机器学习系统能够识别和阻止黑客攻击。

实施 ML 欺诈检测解决方案需要多少成本？

事实上，只有在对业务及其需求进行非常彻底的分析之后，才能粗略估计这种解决方案的成本。

  • 切换/集成成本

    如果切换到专门为您的业务开发的定制 AI 解决方案，其平均成本可能在 6000 美元甚至更高。 如果您想将第三方 ML 软件集成到您的业务中，最高可能需要您每年花费 40000 美元。

  • 要实现的数据集

    根据 Ravelin 的研究，“机器学习并不是预防欺诈的灵丹妙药。 机器学习模型需要大量数据才能变得准确。 对于一些商家来说，应用一组基本的初始规则并允许模型用更多数据“热身”是很有用的”。

    换句话说，数据不足可能会严重限制机器学习的引入。 另一方面，需要涉及的数据越多，您的业务解决方案的成本和技术就越复杂。

结论

企业的机器学习机会不仅限于检测欺诈的能力。 机器学习和人工智能是关于更愉快的用户体验、有用的基于数据的洞察力以及更优化和道德的业务。 这正是在不久的将来应该在业务流程中实现的。

***

Helen Kovalenko 是一名 IT 项目经理，在 NLP、计算机视觉和欺诈检测的数据科学团队工作。 在 LinkedIn 上与 Helen 联系。