Jak narzędzia uczenia maszynowego pomagają zapobiegać oszustwom związanym z tożsamością

Większość dużych i małych firm codziennie zajmuje się oszustwami związanymi z tożsamością i polega na flocie narzędzi, w tym na uwierzytelnianiu wieloskładnikowym i kodach CAPTCHA (całkowicie zautomatyzowany publiczny test Turinga pozwalający odróżnić komputery od ludzi), aby pomóc zidentyfikować potencjalne oszustwa związane z tożsamością. Chociaż te narzędzia pomagają w pewnym stopniu, nie wyłapują wszystkiego. Według badań przeprowadzonych przez firmę Ekata, należącą do Mastercard, „To nie jest niezawodne. Dobrzy klienci są odrzucani, a źli aktorzy przemykają. Trudno wiedzieć, komu ufać”.

Zagłębiamy się w te wyzwania i badamy, w jaki sposób zaawansowane modele uczenia maszynowego mogą pomóc firmom lepiej zrozumieć przetwarzane przez nie dane, a także pomóc im w weryfikacji tożsamości i ochronie przed oszustwami.

Sztuczne oszustwo tożsamości

Oszustwa związane z tożsamością syntetyczną polega na łączeniu prawdziwych informacji o tożsamości — takich jak nazwisko i adresy — z fałszywymi informacjami. W rezultacie nowa tożsamość może zostać sfabrykowana i wykorzystana do obejścia systemów wykrywania oszustw. Z biegiem czasu, gdy prostsze formy oszustw stały się łatwiejsze do wykrycia, oszustwa związane z syntetyczną tożsamością stały się dominującym podejściem oszustów.

Zgodnie z Tima Sloane'a, wiceprezes ds. innowacji w płatnościach w Mercator Advisory Group, tożsamości syntetyczne są zbudowane jak domek z kart. „Oszust może wykorzystać numery ubezpieczenia społecznego osób, które zmarły, zmienić nazwisko, zmienić wiek, stworzyć tło dla tej osoby, a następnie utworzyć konta” – powiedział.

Im więcej kont tworzą oszuści, tym bardziej wiarygodna staje się ta tożsamość.

„Oszuści mogą zacząć od pójścia do sprzedawcy; identyfikujących się za pomocą imienia i nazwiska, adresu, numeru telefonu; Tworzenie konta; [i] potem zrobić zakupy” – powiedział. „Stamtąd dostają kartę kredytową pasującą do tej tożsamości i zaczynają ją budować”.

Narzędzia uczenia maszynowego pomagają rozwiązać problem oszustwa tożsamości

Według Ekaty firmy próbujące zapobiegać oszustwom powinny skupić się na dwóch ważnych pytaniach: „Czy klient jest prawdziwy?” oraz „Czy klient jest tym, za kogo się podaje?”

Wymaga to ustanowienia powiązania między klientami a ich cyfrowymi tożsamościami. Zapewnia to również „analizę tego, jak wchodzą w interakcje i zachowują się online”, według Ekata.

Nowoczesne systemy oszustw zazwyczaj mogą to osiągnąć, wykorzystując uczenie maszynowe. Zasadniczo przyglądają się różnym składnikom tożsamości i wykorzystują dane stron trzecich do sprawdzenia, co jest prawdą, a co nie.

Co więcej, system oszustów wykorzystuje informacje o tym, skąd dana osoba się loguje. „System oszustw będzie pytał, dlaczego dane osobowe mieszkańca Nowego Jorku przychodzą z adresu IP [protokołu internetowego] w Chinach” – powiedział Sloane. Zasadniczo nowoczesne systemy oszustw odciskają palca urządzenie, aby sprawdzić, czy odpowiada ono deklarowanej tożsamości klienta.

Systemy uczenia maszynowego w praktyce

Jak wspomniano wcześniej, jednym ze sposobów na lepszą optymalizację wykrywania oszustw jest upewnienie się, że masz kompleksowy wgląd w indywidualnego użytkownika, w tym jego adres IP i nawyki cyfrowe.

Narzędzie do zapobiegania oszustwom może pomóc firmom w łatwym wykrywaniu sygnałów ostrzegawczych. Na przykład Ekata Identity Engine może pomóc zidentyfikować dobrych klientów i złych aktorów, odpowiadając na następujące pytania:

• Czy ten adres e-mail należy do tej osoby?

• Czy ten adres jest prawidłowy? Czy jest mieszkalny?

• Jaki to rodzaj numeru telefonu?

• Kiedy adres e-mail był widziany po raz pierwszy/ostatni?

• Czy adres IP jest ryzykowny?

• Czy są jakieś anomalie w korzystaniu z elementów tożsamości?

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

Źródło: https://www.paymentsjournal.com