Wie Tools für maschinelles Lernen dabei helfen, Identitätsbetrug zu verhindern

Die meisten großen und kleinen Unternehmen gehen täglich mit Identitätsbetrug um und verlassen sich auf eine Reihe von Tools, darunter Multifaktor-Authentifizierung und CAPTCHA-Codes (vollständig automatisierter öffentlicher Turing-Test zur Unterscheidung von Computern und Menschen), um potenziellen Identitätsbetrug zu identifizieren. Obwohl diese Tools bis zu einem gewissen Grad helfen, erfassen sie nicht alles. Laut Recherchen von Ekata, einem Mastercard-Unternehmen, „ist es nicht narrensicher. Gute Kunden werden abgelehnt und schlechte Schauspieler schleichen sich durch. Es ist schwer zu wissen, wem man vertrauen kann.“

Wir tauchen in diese Herausforderungen ein und untersuchen, wie ausgeklügelte Modelle für maschinelles Lernen Unternehmen ein besseres Verständnis der von ihnen verarbeiteten Daten vermitteln und ihnen bei der Identitätsprüfung und dem Betrugsschutz helfen können.

Synthetischer Identitätsbetrug

Synthetischer Identitätsbetrug beinhaltet die Kombination echter Identitätsinformationen – wie Name und Adressen – mit gefälschten Informationen. Als Ergebnis kann eine neue Identität fabriziert und verwendet werden, um Betrugserkennungssysteme zu umgehen. Im Laufe der Zeit, da einfachere Formen des Betrugs leichter zu erkennen sind, ist der Betrug mit synthetischer Identität zu einem dominierenden Ansatz für Betrüger geworden.

Laut Tim Sloan, Vice President of Payments Innovation bei der Mercator Advisory Group, synthetische Identitäten sind wie ein Kartenhaus aufgebaut. „Ein Betrüger könnte die Sozialversicherungsnummern von Verstorbenen verwenden, den Namen ändern, das Alter ändern, einen Hintergrund für diese Person erstellen und dann Konten erstellen“, sagte er.

Und je mehr Konten Betrüger erstellen, desto glaubwürdiger wird diese Identität.

„Betrüger könnten damit beginnen, zu einem Händler zu gehen; Identifizierung mit Name, Straße, Telefonnummer; ein Profil erstellen; [und] dann einkaufen gehen“, sagte er. „Von dort erhalten sie eine Kreditkarte, die zu dieser Identität passt, und beginnen, diese Identität aufzubauen.“

Tools für maschinelles Lernen helfen bei der Bekämpfung von Identitätsbetrug

Laut Ekata sollten sich Unternehmen, die Betrug verhindern wollen, auf zwei wichtige Fragen konzentrieren: „Ist der Kunde echt?“ und "Ist der Kunde der, für den sie sich ausgeben?"

Dazu muss eine Verbindung zwischen Kunden und ihren digitalen Identitäten hergestellt werden. Dies liefert auch „eine Analyse, wie sie online interagieren und sich verhalten“, so Ekata.

Moderne Betrugssysteme können dies in der Regel durch die Nutzung von maschinellem Lernen erreichen. Im Wesentlichen untersuchen sie die verschiedenen Komponenten der Identität und verwenden Daten von Drittanbietern, um zu validieren, was wahr ist und was nicht.

Darüber hinaus verwendet ein Betrugssystem Informationen darüber, von wo aus sich die Person anmeldet. „Ein Betrugssystem wird hinterfragen, warum die persönlichen Daten eines Einwohners von New York von einer IP-Adresse [Internetprotokoll] in China hereinkommen“, sagte Sloane. Im Wesentlichen scannen moderne Betrugssysteme das Gerät, um zu sehen, ob es mit der behaupteten Identität des Kunden übereinstimmt.

Maschinelle Lernsysteme in der Praxis

Wie bereits erwähnt, besteht eine Möglichkeit zur besseren Optimierung der Betrugserkennung darin, sicherzustellen, dass Sie einen umfassenden Überblick über einen einzelnen Benutzer haben, einschließlich seiner IP-Adresse und seiner digitalen Gewohnheiten.

Ein Betrugspräventionstool kann Unternehmen dabei helfen, Warnsignale leicht zu erkennen. Die Ekata Identity Engine kann beispielsweise dabei helfen, gute Kunden von schlechten Akteuren zu unterscheiden, indem sie die folgenden Fragen beantwortet:

• Gehört diese E-Mail der Person?

• Ist diese Adresse gültig? Ist es Wohnen?

• Was ist das für eine Telefonnummer?

• Wann wurde die E-Mail-Adresse zum ersten Mal/zuletzt gesehen?

• Ist die IP-Adresse riskant?

• Gibt es Anomalien bei der Verwendung von Identitätselementen?

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

Quelle: https://www.paymentsjournal.com