اکثر شرکتهای بزرگ و کوچک روزانه با کلاهبرداری هویت مقابله میکنند و به مجموعهای از ابزارها، از جمله احراز هویت چند عاملی و کدهای CAPTCHA (تست تورینگ عمومی کاملاً خودکار برای تشخیص رایانهها و انسانها) برای کمک به شناسایی تقلبهای هویتی متکی هستند. در حالی که این ابزارها تا حدی کمک می کنند، اما همه چیز را نمی گیرند. طبق تحقیقات شرکت Ekata، یک شرکت مسترکارت، «این بیخطا نیست. مشتریان خوب رد می شوند و بازیگران بد یواشکی وارد می شوند. سخت است که بدانیم به چه کسی اعتماد کنیم.»
ما در این چالشها غوطهور میشویم و بررسی میکنیم که چگونه مدلهای یادگیری ماشینی پیچیده میتوانند به شرکتها درک بهتری از دادههایی که پردازش میکنند، و همچنین به آنها در تأیید هویت و محافظت از تقلب کمک کنند.
تقلب در هویت مصنوعی
کلاهبرداری هویت مصنوعی شامل ترکیب اطلاعات هویت واقعی - مانند نام و آدرس - با اطلاعات جعلی است. در نتیجه، ممکن است هویت جدیدی ساخته شود و برای دور زدن سیستمهای تشخیص تقلب مورد استفاده قرار گیرد. با گذشت زمان، از آنجایی که کشف اشکال ساده تر کلاهبرداری آسان تر شده است، کلاهبرداری هویت مصنوعی به یک رویکرد غالب برای کلاهبرداران تبدیل شده است.
مطابق با تیم اسلون، معاون نوآوری پرداخت در گروه مشاوره مرکاتور، هویت های مصنوعی مانند خانه ای از کارت ساخته شده اند. او گفت: "یک کلاهبردار ممکن است از شماره های تامین اجتماعی افرادی که فوت کرده اند استفاده کند، نام را تغییر دهد، سن را تغییر دهد، پس زمینه ای برای آن فرد ایجاد کند و سپس حساب ایجاد کند."
و هرچه کلاهبرداران اکانت های بیشتری ایجاد کنند، این هویت معتبرتر می شود.
کلاهبرداران ممکن است با مراجعه به یک تاجر شروع به کار کنند. شناسایی خود با نام، آدرس خیابان، شماره تلفن؛ ایجاد یک حساب کاربری؛ [و] سپس کمی خرید کنید،» او گفت. از آنجا کارت اعتباری مطابق با آن هویت دریافت میکنند و شروع به ساختن آن هویت میکنند.»
ابزارهای یادگیری ماشین به رسیدگی به تقلب در هویت کمک می کنند
به گفته Ekata، مشاغلی که سعی در جلوگیری از کلاهبرداری دارند باید روی دو سوال مهم تمرکز کنند: "آیا مشتری واقعی است؟" و "آیا مشتری همان چیزی است که آنها ادعا می کنند؟"
این امر مستلزم ایجاد ارتباط بین مشتریان و هویت دیجیتال آنها است. این همچنین "تجزیه و تحلیلی از نحوه تعامل و رفتار آنلاین آنها" را ارائه می دهد.
سیستم های کلاهبرداری مدرن معمولاً می توانند این کار را با استفاده از یادگیری ماشینی انجام دهند. اساساً، آنها به مؤلفههای مختلف هویت نگاه میکنند و از دادههای شخص ثالث برای تأیید صحت و یا عدم صحت استفاده میکنند.
علاوه بر این، یک سیستم کلاهبرداری از اطلاعات مربوط به اینکه شخص از کجا وارد سیستم شده است استفاده می کند. اسلون گفت: "یک سیستم کلاهبرداری سوال خواهد کرد که چرا اطلاعات شخصی ساکن نیویورک از یک آدرس IP [پروتکل اینترنت] در چین وارد می شود." در اصل، سیستم های کلاهبرداری مدرن دستگاه را انگشت نگاری می کنند تا ببینند آیا با هویت ادعا شده مشتری مطابقت دارد یا خیر.
سیستم های یادگیری ماشینی در عمل
همانطور که قبلاً ذکر شد، یکی از راههای بهینهسازی تشخیص تقلب این است که اطمینان حاصل کنید که دید جامعی از یک کاربر، از جمله آدرس IP و عادات دیجیتالی آنها دارید.
یک ابزار پیشگیری از تقلب میتواند به شرکتها کمک کند تا به راحتی پرچمهای قرمز را تشخیص دهند. برای مثال، موتور هویت Ekata میتواند با پاسخ دادن به سؤالات زیر به شناسایی مشتریان خوب در مقابل بازیگران بد کمک کند:
-
آیا این ایمیل متعلق به شخص مورد نظر است؟
-
آیا این آدرس معتبر است؟ مسکونی است؟
-
این چه نوع شماره تلفنی است؟
-
آدرس ایمیل اولین/آخرین بار چه زمانی دیده شد؟
-
آیا آدرس IP خطرناک است؟
-
آیا در استفاده از عناصر هویتی ناهنجاری وجود دارد؟
لینک: https://www.paymentsjournal.com/how-machine-learning-tools-are-helping-prevent-identity-fraud/
منبع: https://www.paymentsjournal.com
- مورچه مالی
- بلاکچین
- کنفرانس بلاک چین فین تک
- صدای فین تک
- coinbase
- coingenius
- فین تک کنفرانس کریپتو
- امنیت سایبری
- fintech
- برنامه fintech
- نوآوری فین تک
- اخبار فین تک
- باز می شود در
- پی پال
- paytech
- راه پرداخت
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- PlatoData
- بازی پلاتو
- ریش تراش
- Revolut
- موج دار شدن
- فین تک مربع
- پارچه راه راه
- فین تک تنسنت
- Xero
- زفیرنت