Πώς τα εργαλεία μηχανικής μάθησης συμβάλλουν στην πρόληψη της απάτης ταυτότητας

Οι περισσότερες μεγάλες και μικρές εταιρείες αντιμετωπίζουν καθημερινά την απάτη ταυτότητας και άρχισαν να βασίζονται σε ένα στόλο εργαλείων, συμπεριλαμβανομένου του ελέγχου ταυτότητας πολλαπλών παραγόντων και των κωδικών CAPTCHA (εντελώς αυτοματοποιημένο δημόσιο τεστ Turing για να ξεχωρίζουν υπολογιστές και ανθρώπους), για να βοηθήσουν στον εντοπισμό πιθανής απάτης ταυτότητας. Αν και αυτά τα εργαλεία βοηθούν σε κάποιο βαθμό, δεν τα πιάνουν όλα. Σύμφωνα με έρευνα της Ekata, μιας εταιρείας Mastercard, «Δεν είναι αλάνθαστο. Οι καλοί πελάτες απορρίπτονται και οι κακοί ηθοποιοί εισχωρούν κρυφά. Είναι δύσκολο να ξέρεις ποιον να εμπιστευτείς».

Βουτάμε σε αυτές τις προκλήσεις και διερευνούμε πώς τα εξελιγμένα μοντέλα μηχανικής εκμάθησης μπορούν να δώσουν στις εταιρείες καλύτερη κατανόηση των δεδομένων που επεξεργάζονται, καθώς και να τις βοηθήσουν με την επαλήθευση ταυτότητας και την προστασία από απάτη.

Συνθετική απάτη ταυτότητας

Συνθετική απάτη ταυτότητας περιλαμβάνει το συνδυασμό πληροφοριών πραγματικής ταυτότητας — όπως όνομα και διευθύνσεις — με πλαστές πληροφορίες. Ως αποτέλεσμα, μια νέα ταυτότητα μπορεί να κατασκευαστεί και να χρησιμοποιηθεί για να παρακάμψει τα συστήματα ανίχνευσης απάτης. Με την πάροδο του χρόνου, καθώς οι απλούστερες μορφές απάτης έχουν γίνει πιο εύκολο να εντοπιστούν, η συνθετική απάτη ταυτότητας έχει γίνει κυρίαρχη προσέγγιση για τους απατεώνες.

Σύμφωνα με Τιμ Σλόιν, Αντιπρόεδρος καινοτομίας πληρωμών στο Mercator Advisory Group, συνθετικές ταυτότητες είναι χτισμένα σαν ένα σπίτι από κάρτες. «Ένας απατεώνας μπορεί να χρησιμοποιήσει τους αριθμούς κοινωνικής ασφάλισης των ανθρώπων που πέθαναν, να αλλάξει το όνομα, να αλλάξει την ηλικία, να δημιουργήσει ένα υπόβαθρο για αυτό το άτομο και στη συνέχεια να δημιουργήσει λογαριασμούς», είπε.

Και όσο περισσότερους λογαριασμούς δημιουργούν οι απατεώνες, τόσο πιο αξιόπιστη γίνεται αυτή η ταυτότητα.

«Οι απατεώνες μπορεί να ξεκινήσουν πηγαίνοντας σε έναν έμπορο. ταυτοποίηση με όνομα, διεύθυνση, αριθμό τηλεφώνου· δημιουργία λογαριασμού· [και] μετά κάντε μερικά ψώνια», είπε. «Από εκεί παίρνουν μια πιστωτική κάρτα που ταιριάζει με αυτήν την ταυτότητα και αρχίζουν να χτίζουν αυτήν την ταυτότητα».

Εργαλεία μηχανικής εκμάθησης Βοήθεια για την αντιμετώπιση της απάτης ταυτότητας

Σύμφωνα με την Ekata, οι επιχειρήσεις που προσπαθούν να αποτρέψουν την απάτη θα πρέπει να επικεντρωθούν σε δύο σημαντικά ερωτήματα, «Είναι αληθινός ο πελάτης;» και "Είναι ο πελάτης αυτός που ισχυρίζονται ότι είναι;"

Αυτό απαιτεί τη δημιουργία μιας σύνδεσης μεταξύ των πελατών και της ψηφιακής τους ταυτότητας. Αυτό παρέχει επίσης «μια ανάλυση του τρόπου με τον οποίο αλληλεπιδρούν και συμπεριφέρονται στο διαδίκτυο», ανά Ekata.

Τα σύγχρονα συστήματα απάτης μπορούν συνήθως να το επιτύχουν αυτό αξιοποιώντας τη μηχανική μάθηση. Ουσιαστικά, εξετάζουν τα διάφορα στοιχεία της ταυτότητας και χρησιμοποιούν δεδομένα τρίτων για να επικυρώσουν τι είναι αλήθεια και τι όχι.

Επιπλέον, ένα σύστημα απάτης χρησιμοποιεί πληροφορίες σχετικά με το από πού συνδέεται το άτομο. «Ένα σύστημα απάτης θα αμφισβητήσει γιατί ένας κάτοικος της Νέας Υόρκης έρχεται από μια διεύθυνση IP [πρωτόκολλο διαδικτύου] στην Κίνα», είπε ο Sloane. Ουσιαστικά, τα σύγχρονα συστήματα απάτης αποτυπώνουν τη συσκευή για να δουν αν ταιριάζει με την ταυτότητα του πελάτη.

Συστήματα Μηχανικής Μάθησης στην Πράξη

Όπως αναφέρθηκε προηγουμένως, ένας τρόπος για να βελτιστοποιήσετε καλύτερα τον εντοπισμό απάτης είναι να βεβαιωθείτε ότι έχετε μια ολοκληρωμένη εικόνα ενός μεμονωμένου χρήστη, συμπεριλαμβανομένης της διεύθυνσης IP και των ψηφιακών συνηθειών του.

Ένα εργαλείο πρόληψης απάτης μπορεί να βοηθήσει τις εταιρείες να εντοπίσουν εύκολα τις κόκκινες σημαίες. Για παράδειγμα, το Ekata Identity Engine μπορεί να βοηθήσει στον εντοπισμό καλών πελατών έναντι κακών ηθοποιών απαντώντας στις ακόλουθες ερωτήσεις:

• Αυτό το email ανήκει στο άτομο;

• Είναι έγκυρη αυτή η διεύθυνση; Είναι οικιστικό;

• Τι τύπος αριθμού τηλεφώνου είναι αυτός;

• Πότε εμφανίστηκε για πρώτη φορά/τελευταία φορά η διεύθυνση email;

• Είναι επικίνδυνη η διεύθυνση IP;

• Υπάρχουν ανωμαλίες στη χρήση στοιχείων ταυτότητας;

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

Πηγή: https://www.paymentsjournal.com