Kuinka koneoppimistyökalut auttavat estämään identiteettipetoksia

Useimmat suuret ja pienet yritykset käsittelevät identiteettipetoksia päivittäin ja ovat alkaneet luottaa erilaisiin työkaluihin, mukaan lukien monitekijätodennus ja CAPTCHA (täysin automatisoitu julkinen Turing-testi, joka erottaa tietokoneet ja ihmiset toisistaan) auttaakseen tunnistamaan mahdolliset identiteettipetokset. Vaikka nämä työkalut auttavat jossain määrin, ne eivät saa kiinni kaikkea. Mastercard-yhtiön Ekatan tutkimuksen mukaan "Se ei ole idioottivarma. Hyvät asiakkaat hylätään, ja huonot näyttelijät livahtavat läpi. On vaikea tietää, keneen luottaa."

Sukellamme näihin haasteisiin ja tutkimme, kuinka pitkälle kehitetyt koneoppimismallit voivat antaa yrityksille paremman käsityksen niiden käsittelemästä datasta sekä auttaa heitä henkilöllisyyden todentamisessa ja petossuojauksessa.

Synteettinen identiteettipetos

Synteettinen identiteettipetos tarkoittaa oikeiden henkilöllisyystietojen – kuten nimen ja osoitteiden – yhdistämistä vääriin tietoihin. Tämän seurauksena voidaan valmistaa uusi identiteetti, jota voidaan käyttää petosten havaitsemisjärjestelmien ohittamiseen. Ajan myötä, kun yksinkertaisemmat petosmuodot ovat helpommin havaittavissa, synteettisistä identiteettipetoksista on tullut petosten hallitseva lähestymistapa.

Mukaan Tim Sloane, Mercator Advisory Groupin maksuinnovaatioista vastaava varajohtaja, synteettiset identiteetit on rakennettu kuin korttitalo. "Pettäjä saattaa käyttää kuolleiden henkilöiden sosiaaliturvatunnuksia, vaihtaa nimeä, ikää, luoda taustan kyseiselle henkilölle ja sitten luoda tilejä", hän sanoi.

Ja mitä enemmän tilejä huijarit luovat, sitä uskottavammaksi henkilöllisyydestä tulee.

”Pettäjät voivat aloittaa menemällä kauppiaan luo. tunnistautua nimellä, katuosoitteella, puhelinnumerolla; tilin luominen; [ja] sitten tehdä ostoksia", hän sanoi. "Sieltä he saavat luottokortin, joka vastaa tätä identiteettiä ja alkavat rakentaa sitä identiteettiä."

Koneoppimistyökalut auttavat torjumaan identiteettipetoksia

Ekatan mukaan petoksia ehkäisevien yritysten tulisi keskittyä kahteen tärkeään kysymykseen: "Onko asiakas todellinen?" ja "Onko asiakas se, jota he väittävät olevansa?"

Tämä edellyttää yhteyden luomista asiakkaiden ja heidän digitaalisen identiteettinsä välille. Tämä tarjoaa myös "analyysin siitä, kuinka he ovat vuorovaikutuksessa ja käyttäytyvät verkossa", Ekatan mukaan.

Nykyaikaiset petosjärjestelmät voivat tyypillisesti saavuttaa tämän käyttämällä koneoppimista. Pohjimmiltaan he tarkastelevat identiteetin eri osia ja käyttävät kolmannen osapuolen tietoja vahvistaakseen, mikä on totta ja mikä ei.

Lisäksi petosjärjestelmä käyttää tietoja siitä, mistä henkilö kirjautuu sisään. "Petosjärjestelmä kyseenalaistaa, miksi New Yorkin asukkaan henkilökohtaisia ​​tietoja tulee IP-osoitteesta [Internet Protocol] Kiinasta", Sloane sanoi. Pohjimmiltaan nykyaikaiset petosjärjestelmät tekevät laitteesta sormenjäljen nähdäkseen, vastaako se asiakkaan väitettyä identiteettiä.

Koneoppimisjärjestelmät käytännössä

Kuten aiemmin mainittiin, yksi tapa optimoida petosten havaitseminen on varmistaa, että sinulla on kattava näkemys yksittäisestä käyttäjästä, mukaan lukien hänen IP-osoitteensa ja digitaaliset tottumukset.

Petostentorjuntatyökalu voi auttaa yrityksiä havaitsemaan punaiset liput helposti. Esimerkiksi Ekata Identity Engine voi auttaa tunnistamaan hyvät asiakkaat vs. huonot toimijat vastaamalla seuraaviin kysymyksiin:

• Kuuluuko tämä sähköposti kyseiselle henkilölle?

• Onko tämä osoite kelvollinen? Onko se asuinrakennus?

• Minkä tyyppinen puhelinnumero tämä on?

• Milloin sähköpostiosoite nähtiin ensimmäisen kerran/viimeksi?

• Onko IP-osoite vaarallinen?

• Onko identiteettielementtien käytössä poikkeavuuksia?

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

Lähde: https://www.paymentsjournal.com