Hvordan maskinlæringsverktøy bidrar til å forhindre identitetssvindel

De fleste store og små bedrifter takler identitetssvindel daglig og har kommet til å stole på en flåte av verktøy, inkludert multifaktorautentisering og CAPTCHA (helt automatisert offentlig Turing-test for å skille datamaskiner og mennesker fra hverandre) for å hjelpe med å identifisere potensiell identitetssvindel. Selv om disse verktøyene hjelper til en viss grad, fanger de ikke opp alt. I følge undersøkelser fra Ekata, et Mastercard-selskap, "det er ikke idiotsikkert. Gode ​​kunder får avslag, og dårlige skuespillere sniker seg gjennom. Det er vanskelig å vite hvem man kan stole på.»

Vi dykker ned i disse utfordringene, og utforsker hvordan sofistikerte maskinlæringsmodeller kan gi bedrifter en bedre forståelse av dataene de behandler, samt hjelpe dem med identitetsverifisering og svindelbeskyttelse.

Syntetisk identitetssvindel

Syntetisk identitetssvindel innebærer å kombinere ekte identitetsinformasjon – som navn og adresser – med falsk informasjon. Som et resultat kan en ny identitet fremstilles og brukes til å omgå svindeldeteksjonssystemer. Over tid, ettersom enklere former for svindel har blitt lettere å oppdage, har syntetisk identitetssvindel blitt en dominerende tilnærming for svindlere.

Ifølge Tim Sloane, visepresident for betalingsinnovasjon i Mercator Advisory Group, syntetiske identiteter er bygget opp som et korthus. "En bedrager kan bruke personnummeret til personer som døde, endre navn, endre alderen, lage en bakgrunn for den personen og deretter opprette kontoer," sa han.

Og jo flere kontoer svindlere oppretter, jo mer troverdig blir identiteten.

«Svindlere kan starte med å gå til en kjøpmann; identifisere seg med navn, gateadresse, telefonnummer; opprette en konto; [og] så gjør litt shopping," sa han. "Derfra får de et kredittkort som samsvarer med den identiteten og begynner å bygge opp den identiteten."

Maskinlæringsverktøy Hjelp mot identitetssvindel

I følge Ekata bør bedrifter som prøver å forhindre svindel fokusere på to viktige spørsmål: "Er kunden ekte?" og "Er kunden den de utgir seg for å være?"

Det krever å etablere en kobling mellom kundene og deres digitale identiteter. Dette gir også "en analyse av hvordan de samhandler og oppfører seg på nettet," ifølge Ekata.

Moderne svindelsystemer kan vanligvis oppnå dette ved å utnytte maskinlæring. I hovedsak ser de på de ulike komponentene i identiteten og bruker tredjepartsdata for å validere hva som er sant og hva som ikke er det.

Dessuten bruker et svindelsystem informasjon om hvor personen logger på fra. "Et svindelsystem vil stille spørsmål ved hvorfor en innbygger i New Yorks personopplysninger kommer inn fra en IP-adresse [internettprotokoll] i Kina," sa Sloane. I hovedsak avtrykker moderne svindelsystemer enheten for å se om den samsvarer med kundens påståtte identitet.

Maskinlæringssystemer i praksis

Som tidligere nevnt, er en måte å optimalisere svindeldeteksjon bedre å sørge for at du har en helhetlig oversikt over en individuell bruker, inkludert deres IP-adresse og digitale vaner.

Et svindelforebyggingsverktøy kan hjelpe bedrifter med å oppdage røde flagg. For eksempel kan Ekata Identity Engine hjelpe til med å identifisere gode kunder kontra dårlige skuespillere ved å svare på følgende spørsmål:

• Tilhører denne e-posten personen?

• Er denne adressen gyldig? Er det bolig?

• Hva slags telefonnummer er dette?

• Når ble e-postadressen først/sist sett?

• Er IP-adressen risikabel?

• Er det noen anomalier i bruken av identitetselementer?

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

Kilde: https://www.paymentsjournal.com