Как найти «денежных мулов» с помощью программного обеспечения для обнаружения мошенничества с машинным обучением
Автор: Алекс Ниу
По мере того, как все больше финансовых учреждений борются с мошенничеством, преступники прибегают к более изобретательным мерам для проведения незаконных транзакций и других действий. Одним из распространенных методов является использование так называемых «денежных мулов» для облегчения транзакций в надежде на то, что движение их денег останется незамеченным.
COVID-19 еще больше увеличил спрос на денежных мулов, поскольку преступность никогда не уходит в отпуск, даже во время кризиса.
В ответ финансовые учреждения должны изучить преимущества программного обеспечения для обнаружения мошенничества с помощью машинного обучения, которое может помочь выявить потенциальную деятельность денежных мулов.
Что такое денежные мулы?
Термин «денежный мул» относится к лицу, которое используется для перевода денег в попытке скрыть финансовую деятельность. Например, кто-то, кто хочет незаконно передать кому-то деньги, полученные нечестным путем, может использовать денежного мула, чтобы завершить транзакцию и сделать ее законной. Цель состоит в том, чтобы добавить дополнительные слои к денежному следу, чтобы транзакции выглядели менее подозрительно.
На сегодняшний день денежные мулы были относительно безопасной ставкой для преступной деятельности, поскольку многие денежные мулы не понимают, что их используют для отмывания денег. Отправитель переводит деньги денежному мулу, затем мул конвертирует эти деньги в наличные или чек, переводит их на банковский счет третьего лица или конвертирует их в предоплаченную дебетовую карту, среди других вариантов.
На первый взгляд этот вид деятельности кажется безобидным. Миллионы людей ежедневно запрашивают наличные, выписывают чеки или покупают предоплаченные дебетовые карты, поэтому не всегда легко обнаружить работу денежного мула. Однако, учитывая, что количество случаев мошенничества с деньгами растет (только в 2018 году в Великобритании зарегистрировано 40 000 случаев), неудивительно, что финансовые учреждения наращивают усилия по выявлению и устранению этого вида мошенничества.
Признаки денежного мула
Профиль денежного мула принимает несколько форм, в основном это молодые мужчины или мужчины среднего возраста, пользователи социальных сетей и студенты.
Специалисты по отмыванию денег предпочитают цели, у которых не было криминального прошлого, чтобы снизить риск быть пойманным. Они надеются, что отсутствие криминальной активности привлечет меньше внимания к транзакциям.
Еще одним признаком является необычная банковская деятельность, например внезапные всплески и снятие средств в быстрой последовательности. Хотя одно крупное пополнение и быстрое снятие средств могут не указывать на деятельность денежного мула, некоторые из этих транзакций могут быть более показательными, при условии, что инструменты финансового учреждения предназначены для поиска этих закономерностей.
Мошенники также становятся все более изобретательными в своем подходе к вербовке денежных мулов. Недавно в одном отчете отмечалось, что преступная группировка, замаскированная под помощь в связи с COVID-19, нанимала людей для сбора и перевозки средств. Веб-сайт группы имитировал другую некоммерческую организацию и зарегистрировал веб-сайт всего за несколько недель до этого, хотя они утверждали, что ведут бизнес уже много лет.
Кроме того, мошенники с денежными мулами все чаще обращаются к приложениям для обмена сообщениями и каналам социальных сетей для привлечения заинтересованных сторон, часто в форме схем «быстрого обогащения». Денежный мул получит платеж на свой банковский счет, а затем получит указание отправить средства на другой счет или взять деньги и отдать их кому-то, при этом оставив себе часть средств.
Также важно отметить, что деятельность денежных мулов не всегда связана с крупными транзакциями. Например, несколько транзакций на 10 или 100 долларов могут легко привести к отмыванию денег на миллионы долларов, если они распределены по сотням денежных мулов и счетов. Небольшие суммы и тонкое поведение помогают держать их в поле зрения, и многие банки не понимают этого.
Для многих выгодность предложения — это легкая продажа. Там мало работы, и оплата может быть существенной. Студенты колледжей — частые жертвы, так как им нужен способ прокормить себя во время учебы в школе.
Многие не осознают, что делают что-то противозаконное, но если их поймают, им грозит до 14 лет тюрьмы.
Как обнаружить (и остановить) активность денежного мула с помощью ИИ и машинного обучения
Поскольку деятельность денежных мулов на первый взгляд кажется нормальной, многие финансовые учреждения не знают, как им выявлять и предотвращать эти незаконные действия.
Искусственный интеллект и машинное обучение — одни из немногих инструментов, предназначенных для решения проблем с денежными мулами, которые выходят за рамки проверки отдельных транзакций.
В типичном процессе проверки транзакции рассматриваются индивидуально и обычно выглядят законными на поверхностном уровне. Однако сегодняшние атаки тщательно координируются и требуют понимания общей картины для выявления закономерностей и незаконного поведения.
ИИ и машинное обучение могут просматривать транзакции в гораздо большем масштабе и выявлять тенденции, которые ускользают от обычного ручного процесса проверки. Например, человека, тестирующего перевод с небольшой суммой, а затем отменяющего его до отправки 600 долларов другому лицу, вряд ли можно считать подозрительным. Тем не менее, пятьдесят человек тестируют небольшой перевод и отменяют его, а затем отправляют 600 долларов одному и тому же человеку примерно в одно и то же время, что может вызвать тревогу.
Платформа DataVisor работает не только с одним клиентом и его транзакциями, но и анализирует связи между клиентами и транзакциями, чтобы выявить тенденции и закономерности. ИИ и машинное обучение могут делать это в масштабе, где командам потребовались бы бесчисленные часы и ручные проверки, чтобы отобразить лишь часть того, что DataVisor может сделать в режиме реального времени.
Многие банки уже используют настройку правил и машинное обучение с учителем для выявления моделей мошенничества, и это хорошие методы выявления известных случаев мошенничества. Однако мошенничество, осуществляемое денежными мулами, трудно обнаружить, и оно может не следовать типичным схемам. Данные, собранные с помощью контролируемого машинного обучения, требуют маркировки, которая может потребовать много времени и ресурсов, и это предотвращает обнаружение новых атак или шаблонов до тех пор, пока данные не будут правильно сохранены и помечены.
Наилучший подход — использовать неконтролируемое машинное обучение (UML), которое не требует обучения или маркировки и обеспечивает раннее обнаружение потенциального мошенничества. UML не ограничивается предустановленными правилами и может связывать различные наборы данных для более глубокого понимания.
Сочетание UML с контролируемым машинным обучением и правилами дает финансовым учреждениям комплексное решение для обнаружения известного и неизвестного мошенничества. Раннее выявление имеет решающее значение для решения проблем с денежными мулами и предотвращения мошенничества на его пути.
