Hvordan Machine Learning-værktøjer hjælper med at forhindre identitetssvig

De fleste store og små virksomheder tackler identitetssvig dagligt og er kommet til at stole på en flåde af værktøjer, herunder multifaktorautentificering og CAPTCHA (fuldstændig automatiseret offentlig Turing-test til at skelne computere og mennesker fra hinanden) for at hjælpe med at identificere potentielt identitetssvig. Selvom disse værktøjer til en vis grad hjælper, fanger de ikke alt. Ifølge forskning fra Ekata, et Mastercard-firma, "det er ikke idiotsikkert. Gode ​​kunder får afslag, og dårlige skuespillere sniger sig igennem. Det er svært at vide, hvem man kan stole på.”

Vi dykker ned i disse udfordringer og undersøger, hvordan sofistikerede maskinlæringsmodeller kan give virksomheder en bedre forståelse af de data, de behandler, samt hjælpe dem med identitetsbekræftelse og beskyttelse mod svindel.

Syntetisk identitetsbedrageri

Syntetisk identitetsbedrageri involverer at kombinere ægte identitetsoplysninger - såsom navn og adresser - med falske oplysninger. Som følge heraf kan en ny identitet fremstilles og bruges til at omgå svindeldetektionssystemer. Over tid, efterhånden som enklere former for svindel er blevet lettere at opdage, er syntetisk identitetssvindel blevet en dominerende tilgang for svindlere.

Ifølge Tim Sloane, Vice President for Payments Innovation hos Mercator Advisory Group, syntetiske identiteter er bygget op som et korthus. "En svindler kan bruge CPR-numrene på mennesker, der døde, ændre navn, ændre alderen, skabe en baggrund for den person og derefter oprette konti," sagde han.

Og jo flere konti, svindlere opretter, jo mere troværdig bliver identiteten.

“Svindlere starter måske med at gå til en købmand; identificere sig med navn, adresse, telefonnummer; oprettelse af en konto; [og] så shoppe lidt,” sagde han. "Derfra får de et kreditkort, der matcher den identitet og begynder at bygge den identitet op."

Maskinlæringsværktøjer Hjælp til at afhjælpe identitetsbedrageri

Ifølge Ekata bør virksomheder, der forsøger at forhindre svindel, fokusere på to vigtige spørgsmål: "Er kunden ægte?" og "Er kunden den, de hævder at være?"

Det kræver, at der etableres en forbindelse mellem kunder og deres digitale identiteter. Dette giver også "en analyse af, hvordan de interagerer og opfører sig online," ifølge Ekata.

Moderne svindelsystemer kan typisk opnå dette ved at udnytte maskinlæring. I bund og grund kigger de på de forskellige komponenter i identiteten og bruger tredjepartsdata til at validere, hvad der er sandt, og hvad der ikke er.

Desuden bruger et svindelsystem information om, hvor personen logger ind fra. "Et svindelsystem vil stille spørgsmålstegn ved, hvorfor en beboer i New Yorks personlige oplysninger kommer ind fra en IP-adresse [internetprotokol] i Kina," sagde Sloane. I det væsentlige fingeraftrykker moderne svindelsystemer enheden for at se, om den matcher kundens påståede identitet.

Maskinlæringssystemer i praksis

Som tidligere nævnt er en måde til bedre at optimere svindeldetektion at sikre, at du har et omfattende overblik over en individuel bruger, inklusive deres IP-adresse og digitale vaner.

Et værktøj til forebyggelse af svindel kan hjælpe virksomheder med nemt at få øje på røde flag. For eksempel kan Ekata Identity Engine hjælpe med at identificere gode kunder vs dårlige skuespillere ved at besvare følgende spørgsmål:

• Tilhører denne e-mail personen?

• Er denne adresse gyldig? Er det beboelse?

• Hvilken type telefonnummer er dette?

• Hvornår blev e-mailadressen først/sidst set?

• Er IP-adressen risikabel?

• Er der nogen anomalier i brugen af ​​identitetselementer?

Link: https://www.paymentsjournal.com/how-machine-learning-tools-are-helping-prevent-identity-fraud/

Kilde: https://www.paymentsjournal.com