A csalárd tranzakciók várható növekedése a becslések szerint lesz
6.5 milliárd $ 2021 és 2027 között, és ennek a pénzügyi szektorra gyakorolt hatása várhatóan jelentős lesz. A pénzintézetek a proaktív csalásmegelőzést részesítik előnyben, mivel hatékony megoldásokat keresnek a csalások minimalizálására és ügyfeleik általános biztonságának fokozására.
A gépi tanulás (ML) egy olyan folyamat, amely magában foglalja a gépek tanítását, hogy nagy mennyiségű adatban azonosítsák a mintákat, amelyek gyakran a mesterséges intelligenciához (AI) társulnak. Jelenleg emberek milliói lépnek kapcsolatba az ML-vel különféle népszerű alkalmazásokon keresztül. Például az Uber és a Google Maps az ML-t alkalmazza az utazási idők becsléséhez, míg a Siri, az Alexa és a Google Assistant az ML-t használja fel, hogy a felhasználóknak preferenciáik alapján személyre szabott információkat biztosítson.
Hogyan használhatják ki a pénzintézetek az ML hihetetlen hatékonyságát ügyfeleik tranzakcióinak védelmében és az általános csalás csökkentésében? A kérdés megválaszolásához bizonyítékot szolgáltatok arra vonatkozóan, hogy az ML eddig milyen sikeres volt a csalások megelőzésében a pénzügyi szektorban.
Miért nem elég az emberi munka önmagában a csalástechnológia elleni küzdelemhez?
A technológia rohamos fejlődése jelentősen javítja az emberek életének kényelmét. A bankszektorban ez a fogyasztók megnövekedett elvárásait jelenti a digitális és mobil opciókkal szemben.
A pénzintézetek azzal a kihívással néznek szembe, hogy tranzakciók milliárdjait pontosan kell feldolgozni, mivel egyre több ügyfél választja az online bankolást. Sajnos az adatok bősége lehetőséget ad a megnövekedett csalási tevékenységekre is.
A csalók egyre innovatívabbakká váltak, és másodpercenként több ezer csalárd tranzakciót hajtanak végre sikeresen, ami óriási kihívás elé állítja a pénzintézeteket a megtévesztő magatartás felderítésében.
Becslés szerint
Kiberbiztonsági vállalkozások, a globális kiberbűnözés az előrejelzések szerint 10.5-re évente körülbelül 2025 billió dollárba fog kerülni a gazdaságnak, ami csaknem megkétszerezi az előző évi adatot. A perspektíva szempontjából ez az összeg meghaladja az Egyesült Államokban 2021-ben bekövetkezett összes természeti katasztrófa együttes költségét, amely összesen elképesztő 145 milliárd dollárt tett ki.
Tekintettel a csalás hatalmas mértékére és az ellenük való küzdelemben az emberi munka korlátaira, a vállalkozások kulcsfontosságú védekezésként a gépek felé fordultak. Automatizált és szabályalapú csalásfelderítő rendszereket vezettek be a pénzintézetek, mivel a manuális rendszerek nem képesek hatékonyan kezelni a valós idejű adatfolyamokat.
Van azonban egy sokkal jobb megoldás: a gépi tanulás (ML) és a mesterséges intelligencia (AI). Figyelemre méltó és nélkülözhetetlen a gépek azon képessége, hogy tanuljanak a történelmi adatmintákból és azonosítsák az anomáliákat.
Hol fordulnak elő pénzügyi csalások, és hogyan kezeli őket az ML
A pénzügyi felderítő szoftverek különösen értékesnek bizonyulnak bizonyos területeken a hatékony azonosítás és megjelölés érdekében
csalárd tevékenységek. Ezek a területek a következők:
1. A hitelkártya-csalás, amely a kártyaadatok digitális tárolása miatt a fizetési csalás legelterjedtebb fajtája, több lehetőséget biztosítva a bűnözőknek a bűncselekmények elkövetésére. Az ML megoldások elsősorban az ügyfelek szokásos költési szokásaitól eltérő tranzakciók észlelésére koncentrálnak.
2. ATM, amelyek érzékenyek a csalás különféle formáira, például bankkártyaszámok és PIN-kódok ellopására. A csalók gyakran hamis ajtókártya-olvasókat alkalmaznak a kártyaadatok megszerzésére és mentésére. A kártyaadatok beszerzésével hamis kártyákat hozhatnak létre jogosulatlan tranzakciókhoz vagy készpénzfelvételhez.
ML megoldások ATM-csalásokra tartalmazza az anomáliák észlelését a szokatlan tranzakciós minták azonosítására, viselkedéselemzést a jelenlegi tranzakciók és a kártyabirtokos korábbi költési szokásainak összehasonlítására, a kártya klónozásának észlelését a duplikált kártyahasználat elemzésén keresztül, a hálózati felügyeletet a manipuláció vagy átfutó eszközök észlelésére, valamint valós idejű kockázatpontozást a hozzárendeléshez. a tranzakciók kockázati szintjeit további vizsgálat céljából.
3. Eladóhelyi (POS) csalás, ahol az alkalmazottak kihasználják pozíciójukat, hogy pénzt lopjanak el munkaadóiktól. A rendszeres adatellenőrzés minden műszak, nap, hét vagy hónap után hatékony megelőző intézkedésként szolgál. Az ML jelentős szerepet játszik az adatszegmensek elemzésében, hogy érvényesítse az olyan tényezőket, mint a felhasználói naplók száma, a tranzakciók törlése, a számlázási rekordok, az ügyfelek visszatérítései és a hűségprogram-kártyák használata.
4. E-mail adathalászat, egy csalárd technika, amelyben az e-mailek legitim kommunikációnak álcázzák magukat, és olyan linkeket tartalmaznak, amelyek célja, hogy a felhasználókat bizalmas információk felfedésére csalják ki. Az adathalászok ügyesek lettek az észlelés elkerülésében a rosszindulatú fájlok elrejtésével.
Az ML-alapú kártevő-ellenőrzők sikeres eszközökké váltak, amelyek képesek azonosítani és törölni a rosszindulatú e-maileket, mielőtt azok eljutnának a felhasználók postafiókjába. Az olyan cégek, mint a Microsoft, az Office 365 Advanced Threat Protection szolgáltatással és a Google, ML-t alkalmaznak a káros e-mailek és rosszindulatú programok millióinak észlelésére és blokkolására, megvédve a felhasználók adatait. Ezek az ML modellek gyorsan fejlődtek, hogy javítsák az adathalász fenyegetések azonosítását, és sikeresen blokkolják a spam e-mailek 99%-át, mielőtt azok eljutnának a felhasználókhoz.
5. Mobil csalás, amely egyre terjed, mivel a fizetési módokat gyakran tárolják a felhasználók okostelefonján. A szakképzett hackerek hozzáférhetnek ezekhez az információkhoz, és jogosulatlan tranzakciókat kezdeményezhetnek, hacsak nincs ML-alapú eszköz a felhasználók azonnali figyelmeztetésére.
Miért olyan hatékony a gépi tanulás a csalások felderítésére?
A gépi tanulás (ML) számítási statisztikákra támaszkodik, és matematikai modelleket használ a „normál” felhasználói viselkedés meghatározására. A korábbi adatok felhasználásával az ML algoritmusok előrejelzéseket készíthetnek, és idővel javíthatják pontosságukat.
ML bizonyítja
nagyon hatékony a csalások felderítésében, különösen a digitális fizetések területén, amelyek egyre sebezhetőbbé váltak a mobilfizetés térnyerése és egyes mobiltárcákban rejlő biztonsági hiányosságok miatt. A pénzintézetek szabályalapú rendszereken keresztül törekednek a tranzakciók biztonságának biztosítására, de ezek gyakran további ellenőrzési lépésekkel járnak, amelyek negatívan befolyásolhatják az ügyfélélményt. A felhasználók általában vonakodnak további védelmi réteg beépítésétől, mivel ez súrlódásokat okoz a fizetési folyamatban.
Az ML és a mesterséges intelligencia lehetővé teszi a pénzintézetek számára, hogy betekintést nyerjenek az ügyfelek költési szokásaiba és azok év közbeni ingadozásaiba. A kialakult minták felismerésével az anomáliák és a gyanús tranzakciók könnyen észlelhetők és blokkolhatók, így az ügyfelek fokozott védelmet nyújtanak, anélkül, hogy megterhelő ellenőrzési lépésekre lenne szükség.
A gépi tanulás használatának előnyei
Az ML a teljes fizetési folyamat számos területén alkalmazható a csalások megelőzése érdekében. Lehetővé teszi, hogy az ügyfelek fiókinformációi biztonságban maradjanak, és csökkenti az általános költségeket, például azt az időt, amelyet a szolgáltatók a call centerekben töltenek, hogy segítsenek az ügyfeleknek enyhíteni a csalások következményeit. A költség- és erőforrás-megtakarításon túl az ML előnyei a következők:
Továbbfejlesztett adatok hitelességének értékelése
A számítógépeket meg lehet tanítani a személyes adatok érvényesítésére bármilyen tranzakció során. Ez áthidalja azt a széles szakadékot, amely a hosszú tranzakciós sorozatoknál megjelenhet. A dokumentumok és a rendszeradatok egyeztetésével a gépi tanulás kiküszöböli az ilyen esetekben gyakran előforduló emberi hibák kockázatát.
A duplikált tranzakciók jobb értékelése
A csalók pénzhez jutásának egyik népszerű módja az, hogy új tranzakciót hoznak létre az eredeti tranzakció időpontjával azonos vagy hasonló időpontban. A szabályalapú rendszerek gyakran nem tudják megkülönböztetni a különbséget, és nem mindig jelölik meg csalárdként a duplikált tranzakciót.
Hatékonyabb adatelemzés
Több adattal, amelyből tanulhatunk, az ML gyorsabban képes felismerni a mintákat, mint a legokosabb elemzőkből álló csapatok. Mivel az emberi hibák nagy oka annak, hogy a pénzintézetek pénzt veszítenek, az ML és az AI megoldások minimalizálhatják ezeket a hibákat. Az ML segíthet az adattúlterhelésben is, és további automatizálást hoz, ami gyakran az ügyfelek elégedettségének növekedéséhez vezet.
Csalásfelderítő ML modellek és algoritmusok
Van egy
maroknyi algoritmus „gépek betanítására” használják, és a két legnépszerűbb a felügyelt és a felügyelet nélküli modell. Ha egy algoritmust utasításkészletként használnak, a gépek modelleket építhetnek fel az adatok feldolgozásával, hogy létrehozzanak egy alapvonalat, amellyel összehasonlíthatják az új információkat.
Felügyelt tanulási modellek
A felügyelt modell az ML leggyakoribb modellje több tudományágban. Miután a gépeket elegendő adattal „táplálják” megcímkézett tranzakciós információkkal, kiadási modelleket generálnak, és összehasonlítják az új adatokat a már meglévőkkel. A csaló és szabályos felhasználói viselkedést előzetesen felcímkézzük, így a gép megérti a különbséget, és csak tanulnia kell belőle. Minél több adattal rendelkezik egy gép, annál könnyebben tud pontos feltételezéseket tenni.
Felügyelet nélküli tanulási modellek
A felügyelt modellek abban különböznek a felügyelt modellektől, hogy olyan adatokkal dolgoznak, amelyek nincsenek címkézve, így a gépnek meg kell tanulnia önállóan felismerni a csalást. Egyes esetekben nehéz azonosítani, hogy melyik tranzakció a problémás, és ilyenkor a gép feltételezéseket vesz fel nagy adathalmazok alapján, amelyekből tanult.
Félig felügyelt tanulási modellek
A félig felügyelt tanulás valahol a felügyelt és a nem felügyelt modellek közé esik. Jól kezeli azokat a helyzeteket, amikor az információk címkézése nem lehetséges, és a felfedezett minták alapján feltételezéseket tesz.
Tanulási modellek megerősítése
A megerősítő tanulási algoritmusok lehetővé teszik a gépek számára, hogy viselkedési normákat fedezzenek fel egy adott környezetben, amelyekből tanulhatnak. Ezek a rendszerek folyamatosan tanulnak és keresnek, hogy megtalálják a nem megfelelő viselkedést, és ha találnak, piros zászlót emelnek ki.
Utolsó gondolatok a pénzügyi adatcsalás megelőzéséről az ML használatával
A pénzügyi ágazat nagy hasznot húz a gépi tanulási algoritmusok mintaazonosításra való felhasználásából. Ezek az algoritmusok olyan korrelációkat tárhatnak fel kiterjedt adathalmazokon belül, amelyeket az emberi elemzők számára nehéz lenne ésszerű időn belül azonosítani.
Az ML azon képessége, hogy gyorsan elemezze az adatokat és tanuljon belőlük, különösen értékes a pénzügyekben, ahol a hiteltörténet elemzésére, a fizetések feldolgozására, az átutalások értékelésére és a csalás megelőzésére alkalmazható. Az ML és a mesterséges intelligencia kiválóan alkalmas nagy mennyiségű adat valós idejű feldolgozására, lehetővé téve a minták azonosítását és a csalárd tranzakciók azonosítását.
A bankok, neobankok, fizetési szolgáltatók és más pénzintézetek az ML-nek a rendelkezésre álló adatkészletekkel való kihasználásával robusztus megelőzési rendszereket hozhatnak létre, és olyan szintű segítséget kínálhatnak az ügyfeleknek, amilyennek a hagyományos szabályalapú rendszerek nem tudnak megfelelni.
Végső soron minden pénzintézet célja az
biztonságos fizetést biztosítanak valamint megóvja az ügyfelek érzékeny információit és pénzeszközeit, mivel a csalás hatása jelentősen befolyásolhatja jövőbeli kilátásaikat és hírnevét.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
- Forrás: https://www.finextra.com/blogposting/24221/ml-in-finance-is-it-the-silver-bullet-for-preventing-fraud?utm_medium=rssfinextra&utm_source=finextrablogs
- :van
- :is
- :nem
- :ahol
- $ UP
- 2021
- 2025
- 7
- a
- képesség
- bőség
- hozzáférés
- Fiók
- pontosság
- pontos
- pontosan
- megszerzése
- át
- tevékenységek
- hozzá
- hozzáadott
- További
- fejlett
- haladás
- Előny
- Után
- AI
- Éber
- Alexa
- algoritmus
- algoritmusok
- Minden termék
- lehetővé
- lehetővé teszi, hogy
- kizárólag
- már
- Is
- mindig
- összeg
- an
- elemzés
- Az elemzők
- elemez
- elemzése
- és a
- Évente
- anomália észlelése
- válasz
- bármilyen
- megjelenik
- alkalmazások
- alkalmazott
- körülbelül
- VANNAK
- területek
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia (AI)
- AS
- Támogatás
- Helyettes
- társult
- At
- ATM
- Automatizált
- Automatizálás
- elérhető
- Banking
- bankszektor
- Banks
- alapján
- kiindulási
- BE
- mert
- válik
- óta
- előtt
- Előnyök
- között
- Túl
- számlázás
- Billió
- milliárd
- Blokk
- zárolt
- blokkoló
- mindkét
- hidak
- legfényesebb
- Bring
- épít
- vállalkozások
- de
- by
- hívás
- TUD
- nem tud
- képes
- kártya
- Kártyák
- esetek
- Készpénz
- készpénzfelvétel
- Centers
- kihívás
- kihívást
- Ellenőrzések
- ügyfél részére
- elleni küzdelem
- kombinált
- elkövetni
- Közös
- közlés
- Companies
- összehasonlítani
- lefolytatott
- Következmények
- állandóan
- fogyasztó
- tartalmaz
- kontextus
- kényelem
- Költség
- kiadások
- Hamisítvány
- teremt
- Hitelesség
- hitel
- Crimes
- bűnözők
- kritikus
- Jelenlegi
- vevő
- Vásárlói élmény
- Vevői elégedettség
- Ügyfelek
- a számítógépes bűnözés
- Kiberbiztonság
- dátum
- adatkészletek
- adatkészletek
- nap
- tartozás
- Betéti kártya
- Védelem
- Deloitte
- tervezett
- részletek
- észlelt
- Érzékelés
- Eszközök
- különbözik
- különbség
- nehéz
- digitális
- Digitális fizetések
- katasztrófák
- tudományok
- felfedez
- felfedezett
- különbséget tesz
- dokumentumok
- Nem
- ne
- megduplázásával
- két
- minden
- könnyebb
- könnyen
- gazdaság
- Hatékony
- hatékonyan
- hatékonyság
- megszünteti
- e-mailek
- alakult
- alkalmazottak
- munkáltatók
- képessé
- lehetővé téve
- növelése
- fokozott
- elég
- biztosítására
- hibák
- különösen
- létrehozni
- megalapozott
- becslés
- becsült
- becslések
- értékelés
- Még
- Minden
- bizonyíték
- alakult ki
- meghaladja
- Excel
- végrehajtó
- várakozások
- várható
- tapasztalat
- Exploit
- kiterjedt
- szembe
- tényezők
- FAIL
- Vízesés
- hamis
- messze
- gyorsabb
- ábrák
- Fájlok
- finanszíroz
- pénzügyi
- pénzügyi adat
- pénzügyi csalás
- pénzintézet
- Pénzintézetek
- Találjon
- leletek
- megfelelő
- zászlók
- ingadozások
- Összpontosít
- A
- csodálatos
- formák
- csalás
- csalások felderítése
- CSALÁSMEGELŐZÉS
- csalók
- csaló
- gyakran
- súrlódás
- ból ből
- alapok
- további
- jövő
- Nyereség
- rés
- rések
- általában
- generál
- kap
- Globális
- cél
- Google Maps
- nagymértékben
- hackerek
- maréknyi
- fogantyú
- történt
- megtörténik
- káros
- Legyen
- fokozott
- segít
- nagyon
- történeti
- történelem
- Hogyan
- HTML
- HTTPS
- emberi
- i
- Azonosítás
- azonosítani
- azonosító
- óriási
- Hatás
- végre
- javul
- javuló
- in
- tartalmaz
- Növelje
- <p></p>
- növekvő
- egyre inkább
- hihetetlen
- egyének
- ipar
- befolyás
- információ
- velejáró
- kezdeményez
- újító
- meglátások
- példa
- Intézmény
- intézmények
- utasítás
- Intelligencia
- kölcsönhatásba
- bele
- Bemutatja
- Investopedia
- vonja
- Hát
- IT
- ITS
- címkézés
- munkaerő
- nagy
- tojók
- vezetékek
- TANUL
- tanult
- tanulás
- jogos
- szint
- szintek
- erőfölény
- mint
- korlátozások
- linkek
- életek
- ll
- log
- Hosszú
- néz
- vesztes
- Hűség
- hűségprogram
- gép
- gépi tanulás
- gép
- csinál
- Gyártás
- malware
- kezeli
- kézikönyv
- Térképek
- álöltözet
- Mérkőzés
- matematikai
- intézkedés
- mód
- microsoft
- esetleg
- Több millió
- hiba
- Enyhít
- ML
- Mobil
- mobil fizetések
- modell
- modellek
- pénz
- ellenőrzés
- Hónap
- több
- a legtöbb
- Legnepszerubb
- többszörös
- kell
- Természetes
- közel
- Szükség
- igények
- negatívan
- Neobankok
- hálózat
- Új
- normális
- számok
- szerez
- of
- ajánlat
- Office
- gyakran
- on
- egyszer
- azok
- online
- online banki
- csak
- üzemeltetők
- Lehetőségek
- Alkalom
- Opciók
- or
- eredeti
- Más
- felett
- átfogó
- saját
- különösen
- Mintás
- minták
- fizetés
- fizetési módok
- fizetésfeldolgozás
- fizetési szolgáltatók
- kifizetések
- Emberek (People)
- személyes
- Személyre
- perspektíva
- Adathalászat
- csapok
- Plató
- Platón adatintelligencia
- PlatoData
- játszik
- Népszerű
- POS
- pózok
- pozíciók
- lehetséges
- Tippek
- preferenciák
- ajándékot
- uralkodó
- megakadályozása
- megakadályozása
- Megelőzés
- előző
- elsősorban
- prioritások
- proaktív
- folyamat
- feldolgozás
- Program
- tervezett
- kilátások
- védelme
- védelem
- bizonyul
- ad
- szolgáltatók
- amely
- tesz
- kérdés
- emel
- gyors
- gyorsan
- el
- olvasók
- real-time
- valós idejű adatok
- birodalom
- ok
- ésszerű
- elismerik
- felismerés
- nyilvántartások
- Piros
- Piros zászlók
- csökkenteni
- Visszafizetés
- szabályos
- marad
- figyelemre méltó
- Átutalás
- Számolt
- hírnév
- forrás
- felfedve
- Emelkedik
- Kockázat
- kockázatok
- erős
- Szerep
- s
- biztonságos
- megóvása
- Biztonság
- azonos
- elégedettség
- Megtakarítás
- Megtakarítás
- Skála
- Csalók
- csalások
- forgatókönyvek
- pontozás
- Második
- szektor
- biztonság
- biztonság
- Keresnek
- szegmensek
- érzékeny
- szolgál
- készlet
- Szettek
- számos
- váltás
- jelentős
- jelentősen
- Ezüst
- hasonló
- óta
- helyzetek
- szakképzett
- kopasztás
- okostelefonok
- So
- szoftver
- megoldások
- Megoldások
- néhány
- valahol
- spam
- különleges
- költ
- Költési
- Államok
- statisztika
- Lépései
- tárolás
- memorizált
- patakok
- törekszünk
- sikeres
- sikeresen
- ilyen
- felettes
- fogékony
- gyanús
- rendszer
- Systems
- Foglalkozások
- Vesz
- tart
- Tanítási
- csapat
- Technológia
- mint
- hogy
- A
- lopás
- azok
- Ott.
- Ezek
- ők
- ezt
- ezer
- fenyegetés
- fenyegetések
- Keresztül
- egész
- idő
- időkeret
- alkalommal
- nak nek
- szerszám
- szerszámok
- hagyományos
- tranzakció
- Tranzakciók
- utazás
- Trillió
- Fordult
- kettő
- típus
- Uber
- képtelen
- feltárni
- megért
- sajnálatos módon
- Egyesült
- Egyesült Államok
- Használat
- használt
- használó
- Felhasználók
- segítségével
- hasznosít
- hasznosítja
- ÉRVÉNYESÍT
- Értékes
- különféle
- Igazolás
- kötetek
- Sebezhető
- Pénztárcák
- módon
- hét
- JÓL
- Mit
- amikor
- ami
- míg
- miért
- széles
- lesz
- val vel
- kivonás
- belül
- nélkül
- Munka
- lenne
- év
- zephyrnet