Согласно обычному определению для неспециалистов, мошенничество включает в себя ряд незаконных действий, связанных с умышленным введением в заблуждение или введением в заблуждение. Согласно Основам международной практики Института внутренних аудиторов, мошенничество — это любое противоправное действие, характеризующееся обманом, сокрытием или злоупотреблением доверием. Установив определение, давайте теперь коснемся отрасли, которую конкретно обсуждает этот блог, — сектора BFSI, сектора, в котором деньги связаны с финансовым управлением, являющимся ядром. Любое мошенничество в этом секторе не только стоит фирме ее доходов и эффективности, но также и потери репутации, что также омрачает перспективы будущего роста.

Как бы шокирующе это ни звучало, но финансовые организации по всему миру теряют около 5% своего годового дохода из-за мошенничества. Недавно McAfee в своем отчете подсчитала, что киберпреступность обходится мировой экономике в колоссальные 600 миллиардов долларов в год или, другими словами, примерно в 0,8% мирового ВВП. Представьте великодушие этого значения, если учесть, что во многих странах (включая несколько европейских стран) весь ВВП ближе к этому значению, а во многих случаях даже меньше.

Многие инструменты обнаружения мошенничества, используемые в этих финансовых фирмах, требуют значительной ручной поддержки. Аналитика данных начала продвигаться вперед, но с потоком данных под рукой и мошенниками, использующими еще более изощренные способы обмана системы, необходимо сделать еще больше.

О том, как ИИ вписывается в схему этих вещей, рассказывается в этом блоге.

Для начала давайте сначала посмотрим, что должно предлагать идеальное решение для обнаружения мошенничества:

  • Способность обнаруживать выбросы/схемы мошенничества, отличные от определенных правилами
  • Способность учиться и реагировать в режиме реального времени
  • Обуздайте ложноположительные случаи и, следовательно, предотвратите сбои в хорошем клиентском опыте.
  • Возможность генерировать подробную аналитику по схемам выбросов/мошенничества вместе с логикой, почему были подняты эти флаги.

Звучит отлично! Теперь давайте сначала поговорим о случае ложных срабатываний.

Отчет Javelin Financial Impact of Fraud 2016 показал, что 30% заказов были отклонены, поскольку мошенничество считается законным. На самом деле отчет показал, что сумма, потерянная из-за ложных срабатываний, превышает сумму, потерянную из-за возвратных платежей, более чем в 5: 1.

Ложные срабатывания — обычное явление, когда речь идет о системах защиты от мошенничества, основанных на правилах. Это связано с тем, что время от времени человек совершает необычно большую покупку или в некоторых случаях забывает CVV, что приводит к отклонению транзакций или, в худшем случае, к полной блокировке карты.

Идеальная система должна уметь не только обнаруживать аномалии, но и распознавать вероятность ложных срабатываний, как обсуждалось выше. Это означает, что хорошая система обнаружения мошенничества должна не только регистрировать выбросы, но и быть в состоянии увидеть, что человек совершил транзакцию с обычного IP-адреса, того же места, на том же веб-сайте, для того же товара, но в другом месте. другом ценовом диапазоне и, следовательно, прежде чем отклонить транзакцию, следует направить заинтересованному лицу уведомление с просьбой проверить наличие дополнительного фильтра подтверждения личности (например, запросить последний запомненный пароль к банковскому счету для подтверждения если это один и тот же человек).

Таким образом, идеальная система могла бы идентифицировать наличие выброса и вместо того, чтобы идти вперед и отменять, она проверяла бы другие параметры и устанавливала дополнительный барьер безопасности.

Следующим на очереди идет отмывание денег, где ключ заключается в определении того, есть ли какая-то закономерность среди определенного набора транзакций, совершаемых определенной группой людей. Но когда каждую минуту совершаются миллиарды транзакций, как нам определить конкретный набор, за которым необходимо наблюдать.

Управление Организации Объединенных Наций по наркотикам и преступности (УНП ООН) провело исследование, чтобы определить объем незаконных средств, полученных от незаконного оборота наркотиков и организованной преступности, и выяснить, в какой степени эти средства отмываются. По оценкам отчета, в 2009 году преступные доходы составили 3,6% мирового ВВП, из которых 2,7% (или 1,6 трлн долларов США) были отмыты.

Таким образом, возникает вопрос: хотя существует так много возможностей, как можно ввести в систему несколько условий, тем более что эти модальности будут постоянно меняться?

Вот тут-то и появляется ИИ.

Понимание процесса

В буквальном смысле нет грязи данных, и хотя для ручных или даже для многих систем, основанных на аналитике, это становится проблемой, системы, основанные на искусственном интеллекте, выигрывают от этого.

Логика проста: так же, как человеческий мозг учится на ходу, когда он сталкивается со все большим количеством точек данных, так же поступает и система ИИ. Благодаря использованию обработки естественного языка (NLP) в сочетании с алгоритмами машинного обучения и глубокого обучения (ML/DL) системы искусственного интеллекта получают сигналы от того, что регистрируется в 'человеческой речи'; проверьте его с уже заложенными правилами, сравните с шаблонами, зарегистрированными и сохраненными с течением времени, и затем сделайте вывод.

Этот процесс, в котором система использует саморегистрируемые шаблоны, чтобы прийти к выводу, называется неконтролируемым обучением. При скорости и масштабах, с которыми мошенники работают над запутыванием данных, их может догнать только неконтролируемое обучение. Чтобы дать краткое представление о том, как это работает, взгляните на рисунок ниже:

*В конкретном случае отмывания денег, в большей степени, чем Аспект глубокого обучения, это будет обработка естественного языка. НЛП использует алогрифмы для идентификации и интерпретации «человеческой речи», таким образом извлекая информацию из основной речи или письма. Таким образом, NLP может обнаруживать и определять связи между набором людей и определять, используются ли какие-либо ложные имена, псевдонимы или даже случайные транзакции с набором учетных записей, чтобы избежать обнаружения.

Несколько проблем - здесь и там

Мошенники, в конце концов, тоже люди! Учитывая то, как они придумывали новые методы обхода компьютерных систем, на самом деле это борьба человеческого мозга с двойником человеческого мозга.

Заявление может создать ощущение, что ИИ обязательно проиграет, но разве человеческий мозг не работает над созданием стен безопасности? Это подводит нас к этапу «Следующий»продвижению в технологии искусственного интеллекта для борьбы с мошенничеством. Использование CNN или Сверточных нейронных сетей может помочь системе ИИ обрабатывать даже самые визуальные подсказки. Таким образом, например, камера видеонаблюдения, интегрированная в систему обнаружения, может помочь технологии искусственного интеллекта определить, действительно ли человек, использующий карту в банкомате, владеет ею или нет. Несмотря на то, что CNN все еще находятся в пилотном режиме, после внедрения они выведут обнаружение мошенничества на совершенно новый уровень совершенства и эффективности.

И в заключение

Мы бы сказали, что технология искусственного интеллекта для борьбы с мошенничеством прошла долгий путь с того места, где она началась. Из простого поставщика бизнес-аналитики, основанного на анализе данных, ИИ пришел к тому, что он помог таким фирмам, как Mastercard, сократить количество ложных срабатываний до 50%, при этом увеличив обнаружение мошенничества примерно на тот же процент.

Однако есть две ключевые проблемы: во-первых, качество поступающих данных, а во-вторых, насколько оправданы инвестиции.

Ответ на первый прост: достаточно данных в целом о клиентах и ​​достаточно данных для обнаружения мошенничества, а также для ложных срабатываний. Все это является прочной основой для начала, а учитывая значительный рост онлайн-транзакций, возможность улучшения качества данных со временем почти не вызывает сомнений.

Что касается проблемы номер два, т. е. насколько это «слишком много», то все зависит от того, насколько удобно человеку терять доверие клиента и, следовательно, клиентскую базу. время. Все, что требуется, — это базовая экономическая выгода.

Однако ответ прост! Рано или поздно придется внедрить технологию борьбы с мошенничеством (а тем более ИИ). Единственный вопрос выбора — Когда?

(В Ипподроме мы понимаем, что в то время как банковская организация будет больше заинтересована в обнаружении мошенничества, фирма, выпускающая кредитные карты, будет больше заниматься кредитным скорингом, а затем будет третья фирма, которая будет заниматься отмыванием денег. озабоченность рангом 1. Поэтому мы предлагаем индивидуальный искусственный интеллект для каждого бизнеса, чтобы они приносили наибольшую пользу.)

Первоначально опубликовано на https://racetrack.ai 10 апреля 2019 г.