Comment les outils d'apprentissage automatique aident à prévenir l'usurpation d'identité

La plupart des entreprises, grandes et petites, s'attaquent quotidiennement à la fraude d'identité et en sont venues à s'appuyer sur une flotte d'outils, y compris l'authentification multifactorielle et les codes CAPTCHA (test de Turing public entièrement automatisé pour distinguer les ordinateurs des humains), pour aider à identifier les fraudes d'identité potentielles. Bien que ces outils aident dans une certaine mesure, ils ne captent pas tout. Selon les recherches d'Ekata, une société Mastercard, «Ce n'est pas infaillible. Les bons clients sont refusés et les mauvais acteurs se faufilent. C'est difficile de savoir à qui faire confiance. »

Nous plongeons dans ces défis et explorons comment des modèles d'apprentissage automatique sophistiqués peuvent donner aux entreprises une meilleure compréhension des données qu'elles traitent, ainsi que les aider à vérifier l'identité et à se protéger contre la fraude.

Fraude d'identité synthétique

Usurpation d'identité synthétique implique de combiner des informations d'identité réelles - telles que le nom et l'adresse - avec de fausses informations. Par conséquent, une nouvelle identité peut être fabriquée et utilisée pour contourner les systèmes de détection de fraude. Au fil du temps, à mesure que des formes de fraude plus simples sont devenues plus faciles à détecter, l'usurpation d'identité synthétique est devenue une approche dominante pour les fraudeurs.

Selon Tim Sloan, vice-président de l'innovation des paiements chez Mercator Advisory Group, identités synthétiques sont construits comme un château de cartes. "Un fraudeur pourrait utiliser les numéros de sécurité sociale des personnes décédées, changer le nom, changer l'âge, créer un arrière-plan pour cette personne, puis créer des comptes", a-t-il déclaré.

Et plus les fraudeurs créent de comptes, plus cette identité devient crédible.

« Les fraudeurs peuvent commencer par se rendre chez un commerçant ; s'identifier avec son nom, son adresse, son numéro de téléphone ; créer un compte; [et] ensuite faire du shopping », a-t-il déclaré. "À partir de là, ils obtiennent une carte de crédit qui correspond à cette identité et commencent à construire cette identité."

Les outils d'apprentissage automatique aident à lutter contre l'usurpation d'identité

Selon Ekata, les entreprises qui tentent de prévenir la fraude doivent se concentrer sur deux questions importantes : « Le client est-il réel ? » » et « Le client est-il celui qu'il prétend être ?

Cela nécessite d'établir un lien entre les clients et leurs identités numériques. Cela fournit également "une analyse de la façon dont ils interagissent et se comportent en ligne", selon Ekata.

Les systèmes de fraude modernes peuvent généralement y parvenir en tirant parti de l'apprentissage automatique. Essentiellement, ils examinent les différents composants de l'identité et utilisent des données tierces pour valider ce qui est vrai et ce qui ne l'est pas.

De plus, un système de fraude utilise des informations sur l'endroit à partir duquel la personne se connecte. "Un système de fraude se demandera pourquoi les informations personnelles d'un résident de New York proviennent d'une adresse IP [protocole Internet] en Chine", a déclaré Sloane. Essentiellement, les systèmes de fraude modernes empreintes digitales de l'appareil pour voir s'il correspond à l'identité revendiquée par le client.

Systèmes d'apprentissage automatique en pratique

Comme mentionné précédemment, une façon de mieux optimiser la détection des fraudes consiste à s'assurer que vous disposez d'une vue complète d'un utilisateur individuel, y compris son adresse IP et ses habitudes numériques.

Un outil de prévention de la fraude peut aider les entreprises à repérer facilement les signaux d'alerte. Par exemple, le moteur d'identité Ekata peut aider à identifier les bons clients par rapport aux mauvais acteurs en répondant aux questions suivantes :

• Cet e-mail appartient-il à la personne ?

• Cette adresse est-elle valide ? Est-ce résidentiel ?

• De quel type de numéro de téléphone s'agit-il ?

• Quand l'adresse e-mail a-t-elle été vue pour la première/dernière fois ?

• L'adresse IP est-elle risquée ?

• Existe-t-il des anomalies dans l'utilisation des éléments d'identité ?

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

Source : https://www.paymentsjournal.com