Хорошо, что технологические разработки, такие как искусственный интеллект (ИИ) и алгоритмы машинного обучения, теперь используются для обнаружения мошенничества в банковской сфере, чтобы более точно выявлять подозрительные транзакции в режиме реального времени и с меньшим количеством ложных отклонений.
Машинное обучение для ограничения мошенничества в сфере здравоохранения
Выявление мошенничества затрагивает многие отрасли, включая банковские и финансовые услуги, страхование, здравоохранение, государственные учреждения и т. д. Проще говоря, обнаружение мошенничества заключается в том, что система выявления и блокировки подозрительных действий с целью пресечения таких действий ставит под угрозу бизнес.
До того, как компьютеры и компьютерные технологии стали действительно умными, обычным методом обнаружения мошенничества был анализ тонн структурированных данных на соответствие наборам правил с использованием компьютеров. Этот метод требует сложных и трудоемких расследований, поскольку мошенничество часто состоит из множества случаев или инцидентов, связанных с повторными нарушениями с использованием эквивалентного метода. Случаи мошенничества часто похожи по содержанию и внешнему виду, но обычно не идентичны, поэтому такой анализ структурированных данных часто дает слишком много ложных срабатываний. Метод обнаружения мошенничества, основанный на правилах, способен выявлять очевидные мошеннические сценарии и требует для обработки большого количества ручной работы.
Мошенничество может быть очень адаптивным и технически подкованным преступлением. поэтому чем больше технологий на рынке, тем более совершенными должны быть инструменты для выявления и предотвращения мошенничества. Современные методы интеллектуального анализа данных для систем обнаружения мошенничества включают обнаружение знаний в базах данных (KDD), обработку данных, машинное обучение и статистику.
Согласно Википедии, ключевыми методами искусственного интеллекта, используемыми компаниями, занимающимися разработкой программного обеспечения для обнаружения мошенничества, являются:
· обработка данных — тактика, используемая для структурирования информации (классификации, группирования и сегментирования) и автоматического поиска ассоциаций и правил в данных, которые будут обозначать интересные закономерности, в том числе связанные с мошенничеством.
· Экспертные системы для создания правил выявления мошенничества.
· Распознавание шаблонов для обнаружения приблизительных классов, кластеров или шаблонов подозрительного поведения либо автоматически (без присмотра), либо в соответствии с заданными входными данными.
· Методы машинного обучения для автоматического (без участия аналитика) выявления необычных шаблонов в наборах данных, которые могут быть признаками мошенничества.
· Нейронные сети, которые будут изучать подозрительные шаблоны из образцов и использовать их позже для их обнаружения.
Реактивный — это мило, но проактивный — лучше
У большинства американцев фраза «Мошенничество с Medicare» вызывает образы людей, которые обманывают систему, чтобы получить медицинскую помощь, когда она им не нужна. Хотя такие случаи действительно существуют, это не то, что действительно беспокоит аналитиков по мошенничеству, страховые компании и государственные учреждения. Подавляющее большинство случаев мошенничества связано с поставщиками медицинских услуг. Дело в том, что существует множество поставщиков, у которых текущие решения для здравоохранения недостаточно продвинуты, чтобы обнаруживать мошенничество в огромном объеме данных. Одним из примеров является проблема злоупотребления выставлением счетов по рецепту. Эта область может быть отличным примером того, как машинное обучение (ML) может внести немедленный вклад в решение реальной мировой проблемы.
ИИ может помочь предотвратить мошенничество в электронной торговле
Хотя хорошо понимать, что аналитика может обнаружить мошенничество, если известно, что аналитик должен искать, здесь есть явная проблема. Сегодня большинство случаев мошенничества такого рода выявляются только тогда, когда пациент жалуется. Учитывая время, которое пройдет, прежде чем это произойдет, и, следовательно, информация будет отправлена надлежащим людям, большие убытки могут произойти до того, как страховщик обнаружит, что есть задержка. гораздо лучше действовать на опережение, обнаруживать проблему как можно скорее, потому что данные указывают на то, что она существует.
Вот где может быть доступно машинное обучение. Учитывая огромные массивы данных в современной медицинской отрасли, машинное обучение часто обучают исследовать схемы пополнения запасов для людей, аптек и регионов. Когда ML затем включается в информационную инфраструктуру, исключения могут быть немедленно помечены для исследования человеком. Дальнейшее исследование может затем определить, являются ли помеченные транзакции ложными срабатываниями, хорошими рецептами, которые не соответствуют ожидаемым параметрам, или реальными положительными результатами, обнаруженными на ранней стадии.
Возврат к происхождению (RTO): это случаи, когда мошенники злоупотребляют политикой возврата денег в интернет-магазине. В некоторых случаях мошенник заказывает продукт, а затем возвращает поддельный.
Чем может помочь ИИ: ИИ может обнаруживать тонкие поведенческие модели, которые имеют эти транзакции, когда они происходят, таким образом предсказывая, когда RTO-мошенничество близко к совершению, или идентифицируя мошенники, которые известны подобным обманом.
Злоупотребление промокодами: часто мошенник создает несколько идентификаторов пользователя, чтобы использовать промокод перед заказом.
Чем может помочь ИИ: ИИ может определить, когда Мошенничество, подобное этому, происходит путем определения того, какой процент учетных записей происходит с одного и того же или похожего IP-адреса. Система работает настолько быстро и точно, что мошенники часто автоматически заносятся в черный список, например, при попытке нарушить какие-либо правила вашего интернет-магазина.
Мошенничество с платежами: транзакции CNP (Card Not Present) предлагают широкий спектр возможностей для амбициозных клиентов. хакеры и мошенники всегда пытаются найти новые эксплойты. Украденные кредитные карты и мошенничество с возвратом средств (когда потребители позже сообщают о транзакции с банком как о мошенничестве) — это лишь два примера мошенничества CNP, от которых страдают интернет-магазины.
Чем может помочь ИИ: ИИ предотвращает мошенничество CNP путем автоматической проверки счетов. , например , для того, чтобы карты были помечены как действительные до того, как они будут использованы.
Захват аккаунта: этот мошеннический метод невероятно трудно обнаружить , согласно 38% команд по борьбе с мошенничеством. вместо того, чтобы напрямую атаковать потребительские транзакции, мошенники обнаружили, что они могут завладеть целыми учетными записями. Поскольку продавцы сохраняют больше информации об учетных записях и платежах для упрощения оформления заказов, мошенники получают огромное количество информации на кончиках своих пальцев. Контролируя учетные записи целиком, мошенники могут совершать покупки по своему желанию, не будучи обнаруженными (то есть до тех пор, пока потребители не заметят, что на их счетах отсутствуют наличные).
Как может помочь ИИ: ИИ может определить, когда счет ведет себя странно. это часто делается с помощью распознавания образов, которое создает модель поведения выбранного пользователя и сравнивает каждый новый сеанс с первым. Поведение в каждом сеансе действует как точка знаний либо за, либо против этого «отпечатка пальца». это позволяет системе пометить владельца интернет-магазина или покупателя , или обоих, чтобы убедиться, что все учетные записи и транзакции действительны, прежде чем они будут обработаны.
Есть еще один случай, связанный с мошенничеством, который по-прежнему будет стоить электронной коммерции продавцы большие, но технически это ни в малейшей степени не лохотрон.
И интернет-продавцы, и потребители заинтересованы в том, чтобы сдерживать мошенничество , а ИИ предлагает передовое жизнеспособное решение, которое у нас есть в настоящее время как для обнаружения, так и для предотвращения.
темнота (в том числе перспективы отставания продаж и уменьшения количества клиентов) — это то страшное словесное мошенничество, которое вселит страх в самых опытных интернет-магазинов и навсегда рассудит.
По прогнозам, мошеннические транзакции обойдутся интернет-продавцам более чем в 71 миллиард долларов в последующие несколько лет. Мошенничество в сфере электронной коммерции уже выросло почти на 60% с 2016 года, согласно данным Experian, и это только начало. Поскольку мошенники становятся все более изощренными, становится необходимым иметь систему предотвращения мошенничества на месте.
Искусственный интеллект или ИИ — это идеальное решение. Вот почему.
Мгновенные транзакции означают безудержное мошенничество
Сегодня потребители требуют немедленности. они должны быть первыми в очереди и желать почти мгновенных транзакций, что значительно увеличивает вероятность мошенничества. Быстрые расчеты увеличивают риски мошенников, и их может быть трудно обнаружить до тех пор, пока транзакции не будут совершены.
Вот где ИИ может безраздельно властвовать, искореняя мошенничество по мере его возникновения. Используя технологию машинного обучения, ИИ может обнаруживать и останавливать мошенничество, анализируя большие наборы данных на многих сайтах, чтобы найти закономерности, связанные с мошенничеством, которые упускают типичные алгоритмические решения. Большие данные делают его превосходным решением для продавцов электронной коммерции, стремящихся предотвратить мошенничество.
Настоящая причина, по которой ИИ — это лучшее оружие против мошенничества
Команды по предотвращению мошенничества узнали, чем выглядит мошенничество по сравнению с законными покупками. Даже программисты алгоритмов ограничены анализом мошенничества, которое уже произошло.
К сожалению, шаблонов для мошенничества не существует. Алгоритмы ИИ, однако, постоянно анализируют, изучают и адаптируют свои модели для обнаружения мошенничества во всех его формах. Их постоянно корректирующиеся модели мошенничества значительно проще, они обнаруживают мошеннические платежи до того, как они закончатся какими-либо убытками.
Удивительная сила ИИ для обнаружения и предотвращения мошенничества
В течение многих лет команды по предотвращению мошенничества в электронной коммерции изо всех сил пытались обнаружить и остановить мошенничество, тем более что тактика с каждым годом становится все более совершенной.
Технология машинного обучения предоставляет новую информацию и помощь командам по предотвращению мошенничества, выявляя мошенничество, поскольку оно происходит, и действуя быстро, чтобы подавить любую активность до того, как будет нанесен какой-либо ущерб. Технология машинного обучения отличается сокращенным циклом обучения, поскольку не требует перестроения модели в пакетном режиме, а вместо этого динамически настраивает ее с каждым дополнительным набором данных.
Кроме того, ИИ масштабируется в тандеме с ростом компании, что позволяет интернет-продавцам быть спокойными, поскольку система постоянно анализирует все данные о потребителях, чтобы выявлять риски и взломы по мере их возникновения — в режиме реального времени.
Какие виды мошенничества может обнаружить ИИ?
Из всех зарегистрированных в настоящее время случаев мошенничества пара тактик остается модной у современных мошенников.
Ложные срабатывания: это транзакции, предпринятые законными клиентами, которые помечены как подозрительные системами предотвращения мошенничества. Хотя технически это не является атакой мошенников, эти ошибочные ошибки могут оставить деньги на столе. Не только это, но и ложные срабатывания расстраивают и потенциально отталкивают клиентов, чтобы они никогда не вернулись.
Как системы машинного обучения помогают выявлять мошенничество в сфере финансовых технологий, здравоохранения и электронной коммерции
