Kuidas masinõppe tööriistad aitavad vältida identiteedipettusi

Enamik suuri ja väikeseid ettevõtteid tegeleb identiteedipettustega iga päev ning on hakanud potentsiaalse identiteedipettuse tuvastamiseks tuginema paljudele tööriistadele, sealhulgas mitmefaktorilisele autentimisele ja CAPTCHA-koodidele (täiesti automatiseeritud avalik Turingi test arvutite ja inimeste eristamiseks). Kuigi need tööriistad aitavad teatud määral, ei saa nad kõike. Mastercardi ettevõtte Ekata uuringu kohaselt ei ole see lollikindel. Head kliendid lükatakse tagasi ja halvad näitlejad hiilivad läbi. Raske on teada, keda usaldada."

Sukeldume nendesse väljakutsetesse ja uurime, kuidas keerukad masinõppemudelid võivad anda ettevõtetele paremini aru töödeldavatest andmetest ning aidata neil identiteedi kinnitamisel ja pettuste eest kaitsmisel.

Sünteetiline identiteedipettus

Sünteetiline identiteedipettus hõlmab tõelise identiteedi teabe (nt nimi ja aadressid) kombineerimist võltsandmetega. Selle tulemusena võidakse luua uus identiteet ja seda kasutatakse pettuste tuvastamise süsteemidest mööda hiilimiseks. Aja jooksul, kui pettuse lihtsamaid vorme on muutunud lihtsamaks tuvastada, on sünteetilised identiteedipettused muutunud petturite jaoks domineerivaks lähenemisviisiks.

Järgi Tim Sloane, Mercator Advisory Groupi makseinnovatsiooni asepresident, sünteetilised identiteedid on üles ehitatud nagu kaardimaja. "Pettur võib kasutada surnud inimeste sotsiaalkindlustuse numbreid, muuta nime, vanust, luua sellele isikule tausta ja seejärel luua kontosid," ütles ta.

Ja mida rohkem kontosid petturid loovad, seda usaldusväärsemaks see identiteet muutub.

„Petised võivad alustada sellest, et lähevad kaupmehe juurde; isiku tuvastamine nime, aadressi, telefoninumbriga; konto loomine; [ja] siis ostlema,” ütles ta. "Sealt saavad nad sellele identiteedile vastava krediitkaardi ja hakkavad seda identiteeti üles ehitama."

Masinõppetööriistad aitavad lahendada identiteedipettusi

Ekata sõnul peaksid ettevõtted, kes üritavad pettusi ära hoida, keskenduma kahele olulisele küsimusele: "Kas klient on tõeline?" ja "Kas klient on see, kes nad väidavad end olevat?"

Selleks on vaja luua side klientide ja nende digitaalse identiteedi vahel. See annab ka "analüüsi selle kohta, kuidas nad võrgus suhtlevad ja käituvad", Ekata kohta.

Kaasaegsed pettussüsteemid saavad seda tavaliselt saavutada masinõppe võimendamisega. Põhimõtteliselt vaatavad nad identiteedi erinevaid komponente ja kasutavad kolmanda osapoole andmeid, et kinnitada, mis on tõsi ja mis mitte.

Veelgi enam, petusüsteem kasutab teavet selle kohta, kust inimene sisse logib. "Pettusesüsteem seab kahtluse alla, miks New Yorgi elanik saabub Hiinas asuvalt IP-aadressilt, " ütles Sloane. Sisuliselt annavad kaasaegsed petusüsteemid seadmele sõrmejälje, et näha, kas see vastab kliendi väidetavale identiteedile.

Masinõppesüsteemid praktikas

Nagu eelnevalt mainitud, on üks viis pettuste tuvastamise paremaks optimeerimiseks tagada, et teil on iga kasutaja kohta terviklik ülevaade, sealhulgas tema IP-aadress ja digitaalsed harjumused.

Pettuste ennetamise tööriist aitab ettevõtetel punaseid lippe hõlpsalt märgata. Näiteks Ekata identiteedimootor aitab tuvastada häid kliente ja halbu tegijaid, vastates järgmistele küsimustele:

• Kas see e-kiri kuulub inimesele?

• Kas see aadress on kehtiv? Kas see on elamu?

• Mis tüüpi telefoninumber see on?

• Millal e-posti aadressi esimest korda/viimati nähti?

• Kas IP-aadress on riskantne?

• Kas identiteedielementide kasutamises esineb anomaaliaid?

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

Allikas: https://www.paymentsjournal.com