Contrastare le frodi finanziarie con l'apprendimento automatico

I deepfake, noti anche come media sintetici, possono essere utilizzati per qualcosa di più che impersonare celebrità e rendere la disinformazione più credibile. Possono anche essere utilizzati per frodi finanziarie.

I truffatori possono utilizzare la tecnologia deepfake per indurre i dipendenti degli istituti finanziari a cambiare i numeri di conto e avviare richieste di trasferimento di denaro per importi sostanziali, afferma Satish Lalchand, preside di Deloitte Transaction and Business Analytics. Osserva che queste transazioni sono spesso difficili, se non impossibili, da annullare.

I criminali informatici adottano costantemente nuove tecniche per eludere i processi di verifica del cliente e i controlli di rilevamento delle frodi. In risposta, molte aziende stanno esplorando modi in cui il machine learning (ML) può rilevare transazioni fraudolente che coinvolgono media sintetici, frodi di identità sintetiche o altri comportamenti sospetti. Tuttavia, i team di sicurezza dovrebbero essere consapevoli dei limiti dell'utilizzo del machine learning per identificare le frodi su larga scala.

Trovare frodi su larga scala

La frode nel settore dei servizi finanziari negli ultimi due anni è stata guidata dal fatto che molte transazioni sono state spinte sui canali digitali a seguito della pandemia di COVID-19, afferma Lalchand. Cita tre fattori di rischio che guidano l'adozione delle tecnologie ML per la verifica dei clienti e dell'azienda: clienti, dipendenti e truffatori.

Sebbene i dipendenti delle società di servizi finanziari siano generalmente monitorati tramite telecamere e chat digitali in ufficio, lavoratori remoti non sono così sorvegliati, dice Lalchand. Con più clienti che si iscrivono virtualmente ai servizi finanziari, le società di servizi finanziari stanno incorporando sempre più il machine learning nei loro processi di verifica e autenticazione dei clienti per chiudere quella finestra sia per i dipendenti che per i clienti. Il machine learning può anche essere utilizzato per identificare richieste fraudolente di assistenza governativa o frodi di identità, afferma Lalchand.

Oltre a individuare fraudolenti Prestiti del programma di protezione dello stipendioGary Shiffman, co-fondatore di Consilient, un'azienda IT specializzata nella prevenzione della criminalità finanziaria, afferma che i modelli ML possono essere addestrati per riconoscere i modelli di transazione che potrebbero segnalare il traffico di esseri umani o le truffe sugli abusi sugli anziani.

Gli istituti finanziari stanno ora vedendo emergere frodi su più prodotti, ma tendono a cercare transazioni fraudolente in silos. L'intelligenza artificiale e la tecnologia ML possono aiutare a riunire i segnali di frode provenienti da più aree, afferma Shiffman.

"Le istituzioni continuano a fare il colpo alla talpa e continuano a cercare di identificare dove le frodi stavano aumentando, ma avvenivano semplicemente da ogni parte", afferma Lalchand. “La fusione delle informazioni… si chiama CyFi e unisce dati informatici e finanziari”.

Gli strumenti ML possono aiutare a identificare positivamente i clienti, rilevare frodi di identità e individuare la probabilità di rischio, afferma Jose Caldera, chief product officer di prodotti globali per Acuant presso GBG. Il machine learning può esaminare il comportamento passato e i segnali di rischio e applicare tali lezioni in futuro, afferma.

I limiti dell'apprendimento automatico

Sebbene i modelli ML possano analizzare i punti dati per rilevare le frodi su larga scala, ci saranno sempre falsi positivi e falsi negativi e i modelli si degraderanno nel tempo, afferma Caldera. Pertanto, i team di sicurezza informatica che addestrano l'algoritmo per individuare le frodi devono aggiornare i propri modelli e monitorarne regolarmente i risultati, non solo ogni sei mesi o ogni anno, afferma.

“Devi assicurarti di comprendere che il processo non è un [compito] una tantum. E… è necessario disporre del personale adeguato che consenta di mantenere tale processo nel tempo”, afferma Caldera. "Otterrai sempre più informazioni e... dovrai essere in grado di usarle costantemente per migliorare i tuoi modelli e migliorare i tuoi sistemi."

Per i team IT e di sicurezza informatica che valutano l’efficacia degli algoritmi ML, Shiffman afferma che dovranno stabilire la verità fondamentale, ovvero la risposta corretta o “vera” a una domanda o a un problema. Per fare ciò, i team che utilizzano le tecnologie ML provano un modello utilizzando un set di dati di test, utilizzando una chiave di risposta per contare i suoi falsi negativi, falsi positivi, veri positivi e veri negativi, dice. Una volta presi in considerazione questi errori e le risposte corrette, le aziende possono ricalibrare i propri modelli ML per identificare attività fraudolente in futuro, spiega.

Oltre ad aggiornare i propri algoritmi per rilevare le frodi, i team IT e di sicurezza informatica che utilizzano la tecnologia ML devono anche essere consapevoli delle restrizioni legali in materia condivisione dei dati con altre entità, anche per identificare le frodi, afferma Shiffman. Se gestisci dati da un altro Paese, potresti non essere legalmente in grado di trasferirli negli Stati Uniti, dice.

Per i team che desiderano utilizzare la tecnologia ML per il rilevamento delle frodi, Caldera avverte che tali strumenti sono solo un componente di una strategia di prevenzione delle frodi e che non esiste una soluzione per risolvere il problema. Dopo aver acquisito nuovi clienti, i professionisti della sicurezza informatica e dell'IT devono rimanere al passo con il modo in cui cambiano i comportamenti nel tempo.

“L’uso o meno della tecnologia o dell’apprendimento automatico è solo una componente del tuo set di strumenti”, afferma Caldera. "Tu come azienda, devi capire: qual è il costo che stai sostenendo, qual è la tua tolleranza al rischio e quindi qual è la posizione del cliente che desideri?"