Bagaimana alat Machine Learning membantu mencegah penipuan identitas

Sebagian besar perusahaan besar dan kecil menangani penipuan identitas setiap hari dan telah mengandalkan armada alat, termasuk otentikasi multifaktor dan kode CAPTCHA (tes Turing publik yang sepenuhnya otomatis untuk membedakan komputer dan manusia), untuk membantu mengidentifikasi potensi penipuan identitas. Sementara alat-alat ini membantu sampai batas tertentu, mereka tidak menangkap semuanya. Menurut penelitian dari Ekata, sebuah perusahaan Mastercard, “Ini tidak mudah. Pelanggan yang baik ditolak, dan aktor jahat menyelinap masuk. Sulit untuk mengetahui siapa yang harus dipercaya.”

Kami mendalami tantangan ini, dan mengeksplorasi bagaimana model pembelajaran mesin yang canggih dapat memberi perusahaan pemahaman yang lebih baik tentang data yang mereka proses, serta membantu mereka dengan verifikasi identitas dan perlindungan penipuan.

Penipuan Identitas Sintetis

Penipuan identitas sintetis melibatkan penggabungan informasi identitas asli — seperti nama dan alamat — dengan informasi palsu. Akibatnya, identitas baru dapat dibuat dan digunakan untuk mem-bypass sistem deteksi penipuan. Seiring waktu, karena bentuk penipuan yang lebih sederhana menjadi lebih mudah dideteksi, penipuan identitas sintetik telah menjadi pendekatan dominan bagi penipu.

Menurut Tim Sloan, Wakil Presiden Inovasi Pembayaran di Mercator Advisory Group, identitas sintetik dibangun seperti rumah kartu. “Penipu mungkin menggunakan nomor Jaminan Sosial orang yang meninggal, mengubah nama, mengubah usia, membuat latar belakang untuk individu tersebut, dan kemudian membuat akun,” katanya.

Dan semakin banyak akun yang dibuat penipu, semakin kredibel identitas tersebut.

“Penipu mungkin memulai dengan pergi ke pedagang; mengidentifikasi diri dengan nama, alamat jalan, nomor telepon; membuat akun; [dan] kemudian berbelanja,” katanya. “Dari sana mereka mendapatkan kartu kredit yang cocok dengan identitas itu dan mulai membangun identitas itu.”

Alat Pembelajaran Mesin Membantu Mengatasi Penipuan Identitas

Menurut Ekata, bisnis yang berusaha mencegah penipuan harus berfokus pada dua pertanyaan penting, “Apakah pelanggan itu nyata?” dan "Apakah pelanggan yang mereka klaim?"

Itu membutuhkan pembuatan tautan antara pelanggan dan identitas digital mereka. Ini juga memberikan “analisis tentang bagaimana mereka berinteraksi dan berperilaku online,” per Ekata.

Sistem penipuan modern biasanya dapat melakukannya dengan memanfaatkan pembelajaran mesin. Pada dasarnya, mereka melihat berbagai komponen identitas dan menggunakan data pihak ketiga untuk memvalidasi mana yang benar dan mana yang tidak.

Terlebih lagi, sistem penipuan menggunakan informasi tentang dari mana orang tersebut masuk. “Sistem penipuan akan mempertanyakan mengapa informasi pribadi penduduk New York berasal dari alamat IP [protokol internet] di China,” kata Sloane. Intinya, sistem penipuan modern sidik jari perangkat untuk melihat apakah cocok dengan identitas yang diklaim pelanggan.

Sistem Pembelajaran Mesin dalam Praktek

Seperti yang disebutkan sebelumnya, salah satu cara untuk mengoptimalkan deteksi penipuan dengan lebih baik adalah dengan memastikan bahwa Anda memiliki pandangan menyeluruh tentang setiap pengguna, termasuk alamat IP dan kebiasaan digital mereka.

Alat pencegahan penipuan dapat membantu perusahaan dengan mudah menemukan tanda bahaya. Misalnya, Ekata Identity Engine dapat membantu mengidentifikasi pelanggan yang baik vs pelaku yang buruk dengan menjawab pertanyaan berikut:

• Apakah email ini milik orang tersebut?

• Apakah alamat ini valid? Apakah itu perumahan?

• Jenis nomor telepon apa ini?

• Kapan alamat email pertama/terakhir dilihat?

• Apakah alamat IP berisiko?

• Apakah ada anomali dalam penggunaan elemen identitas?

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

Sumber: https://www.paymentsjournal.com