使用 AI 和機器學習進行欺詐檢測——如何保護您的業務

已發表: 2020-06-22

雖然網絡安全專家正在與開發人員和分析師合作，試圖創建一個完美的欺詐保護系統，但受害者的數量和成功嘗試的數量只會越來越多。 我們採取的行動越多，留下數據的痕跡，就越容易收集所有必要的信息，從而使欺詐計劃成功。 下面的信息圖反映了當前的情況。

顯然，過去幾年的方法已經不再有效。 即使是使用人工智能和機器學習進行欺詐檢測也不是靈丹妙藥，也不是絕對的保護保證。 但是，目前沒有更好的發明，因此了解 ML 解決方案和欺詐檢測分析如何使您的業務更安全，讓您的客戶對您的服務更有信心是有意義的。

什麼是機器學習的欺詐檢測？

使用機器學習檢測欺詐的概念是基於合法和非法行為具有不同特徵的想法。 而且，這些跡像對於人眼來說是完全不可見的。

用於識別欺詐的機器學習系統從其對合法操作的了解出發，將這些知識與實時發生的事件進行比較，並得出關於某個操作的有效性或非法性的結論。 這是它的外觀。

欺詐檢測——企業安全機器學習解決方案

事實上，業務安全只是冰山一角。 或統稱。 機器學習系統可以為您的業務帶來比您想像的更多的東西。

  • 客戶體驗改善

    機器學習本身就是增強用戶體驗的非常強大的工具。 智能係統根據用戶的行為學習了解用戶、預測、定制和達到目標。 並且還保護用戶免受欺詐企圖。

    最簡單的例子是信用卡欺詐檢測。 如果您的行為模式表明可能存在欺詐行為，高級網上銀行系統將不允許您進入客戶的個人賬戶管理資金。 在這種情況下，改進的用戶體驗意味著您的用戶相信他們會盡可能地免受欺詐嘗試的影響。

  • 數據保護

    根據哈佛商業評論的一項研究，90% 的受訪用戶表示，公司對客戶個人數據的關注態度表明了對客戶的真實態度。 換句話說，如果你想贏得用戶的忠誠度，那麼對數據的謹慎態度和對數據的全面保護會有所幫助。

    機器學習系統能夠跟踪數據的存儲、收集和使用方式——通常，您的程序在多大程度上符合 GDPR。 如果檢測到處理用戶數據的潛在欺詐或異常行為，系統會發出警報。

  • 消除欺詐性 RTO、促銷代碼濫用和退款

    先驗的欺詐者是聰明人，否則，他們將無法想出可行的方案。 至於零售，這是一個非常有吸引力的行業，因為總是有可能假裝是一個受人尊敬的買家來欺騙賣家。

    機器學習系統甚至能夠在意圖階段阻止這些嘗試——例如，當用戶開始使用可疑 IP 下訂單時，這已經在欺詐計劃中被發現。

  • 金錢損失和聲譽問題預防

    任何成功的欺詐企圖都意味著金錢和名譽的損失。 退錢比退還聲譽要容易得多——這正是您不應該冒險的地方。 矛盾的是，一些公司拒絕面對欺詐，因為他們擔心這會損害他們的聲譽，儘管事實上恰恰相反。

    缺乏欺詐性響應策略對您的聲譽損害最大。 這是大多數現代用戶的意見。

欺詐檢測機器學習的最佳實踐是什麼

那麼，機器學習系統如何工作以提供針對非法攻擊的高水平保護呢？

  • 實時異常檢測

    當錢已經被盜時，基於規則的系統會檢測到欺詐行為。 現代系統實時處理不斷變化的數據，因此即使在意圖階段它們也能夠捕捉到欺詐企圖。 這是它的工作原理。

（另請閱讀：聯盟營銷欺詐：如何預防）

  • 行為分析

    至於用戶行為，在這種情況下，模型被訓練為識別特定用戶的典型和異常行為。 結合其他因素的異常行為可能是欺詐企圖的跡象，例如，如果用戶在另一個國家或城市提取大量現金。

  • 深度學習

    在這種情況下，就需要開發一個神經網絡，並且還要有非常大量的數據進行分析。

AIML FD 可以涵蓋哪些類型的欺詐場景？

電子商務衛生保健銀行業
  • RTO 和促銷代碼濫用預防：

我們已經說過，系統能夠跟踪可疑的 IP 地址和對其採取的行動，以便將在線欺詐企圖通知授權人員。

  • 藥物和食譜濫用預防：

當系統必須監控負責開具處方和藥物的人員的行為，並發現無形的因果關係（例如，醫生和藥劑師合謀欺詐昂貴或麻醉藥品）時，就會出現這種情況。

  • 洗錢和恐怖主義融資預防：

沒有銀行和國家的控制，貨幣就無法流通。 這意味著專門設計用於搜索類似於洗錢和恐怖主義融資模式的系統可以極大地幫助解決這些犯罪並創建一個透明的銀行系統。

  • 移動欺詐預防：

移動購物的普及導致了移動欺詐的興起，其形式多種多樣，從賬戶盜竊到友好欺詐。 在這種情況下，智能算法會監控用戶從移動設備執行的操作，並判斷智能手機（或帳戶）是否在合法所有者手中。

  • 信用卡欺詐檢測：

這是最常見的欺詐類型，最近無卡欺詐開始流行。 實時欺詐檢測系統可以幫助在錢被盜之前檢測企圖甚至意圖。

  • 貸款問題檢測：

在這種情況下，系統會收集有關潛在藉款人的數據，並對發放貸款的風險做出結論。

  • 醫療數據保護：

黑市上的醫療數據非常昂貴，醫療機構必須像保護患者生命一樣負責任地保護它。 機器學習系統能夠識別和阻止黑客攻擊。

實施 ML 欺詐檢測解決方案需要多少成本？

事實上，只有在對業務及其需求進行非常徹底的分析之後，才能粗略估計這種解決方案的成本。

  • 切換/集成成本

    如果切換到專門為您的業務開發的定制 AI 解決方案，其平均成本可能在 6000 美元甚至更高。 如果您想將第三方 ML 軟件集成到您的業務中，最高可能需要您每年花費 40000 美元。

  • 要實現的數據集

    根據 Ravelin 的研究，“機器學習並不是預防欺詐的靈丹妙藥。 機器學習模型需要大量數據才能變得準確。 對於一些商家來說，應用一組基本的初始規則並允許模型用更多數據“熱身”是很有用的”。

    換句話說，數據不足可能會嚴重限制機器學習的引入。 另一方面，需要涉及的數據越多，您的業務解決方案的成本和技術就越複雜。

結論

企業的機器學習機會不僅限於檢測欺詐的能力。 機器學習和人工智能是關於更愉快的用戶體驗、有用的基於數據的洞察力以及更優化和道德的業務。 這正是在不久的將來應該在業務流程中實現的。

***

Helen Kovalenko 是一名 IT 項目經理，在 NLP、計算機視覺和欺詐檢測的數據科學團隊工作。 在 LinkedIn 上與 Helen 聯繫。