เครื่องมือแมชชีนเลิร์นนิงช่วยป้องกันการปลอมแปลงตัวตนได้อย่างไร

บริษัทส่วนใหญ่ทั้งเล็กและใหญ่รับมือกับการฉ้อโกงข้อมูลประจำตัวทุกวันและต้องพึ่งพาเครื่องมือมากมาย ซึ่งรวมถึงการยืนยันตัวตนแบบหลายปัจจัยและรหัส CAPTCHA (การทดสอบทัวริงสาธารณะแบบอัตโนมัติโดยสมบูรณ์เพื่อแยกรหัสระหว่างคอมพิวเตอร์และมนุษย์) เพื่อช่วยระบุการฉ้อโกงข้อมูลประจำตัวที่อาจเกิดขึ้น แม้ว่าเครื่องมือเหล่านี้จะช่วยได้ในระดับหนึ่ง แต่ก็ไม่สามารถจับทุกอย่างได้ จากการวิจัยของ Ekata ซึ่งเป็นบริษัทของ Mastercard กล่าวว่า “มันไม่มีทางที่จะเข้าใจผิดได้ ลูกค้าที่ดีถูกปฏิเสธและผู้ไม่ประสงค์ดีแอบเข้ามา มันยากที่จะรู้ว่าจะไว้ใจใครได้”

เราดำดิ่งสู่ความท้าทายเหล่านี้ และสำรวจว่าโมเดลแมชชีนเลิร์นนิงที่ซับซ้อนสามารถช่วยให้บริษัทต่างๆ เข้าใจข้อมูลที่พวกเขากำลังประมวลผลได้ดีขึ้นได้อย่างไร รวมทั้งช่วยพวกเขาในการยืนยันตัวตนและการป้องกันการฉ้อโกง

การฉ้อโกงข้อมูลประจำตัวสังเคราะห์

การฉ้อโกงข้อมูลประจำตัวสังเคราะห์ เกี่ยวข้องกับการรวมข้อมูลประจำตัวที่แท้จริง เช่น ชื่อและที่อยู่ เข้ากับข้อมูลปลอม ด้วยเหตุนี้ จึงอาจมีการสร้างข้อมูลระบุตัวตนใหม่และใช้เพื่อข้ามระบบตรวจจับการฉ้อโกง เมื่อเวลาผ่านไป การฉ้อโกงในรูปแบบที่เรียบง่ายสามารถตรวจพบได้ง่ายขึ้น การฉ้อโกงข้อมูลประจำตัวแบบสังเคราะห์จึงกลายเป็นแนวทางหลักสำหรับผู้ฉ้อโกง

ตามที่ ทิม สโลนรองประธานฝ่ายนวัตกรรมการชำระเงินของ Mercator Advisory Group ตัวตนสังเคราะห์ สร้างขึ้นเหมือนบ้านไพ่ “นักต้มตุ๋นอาจใช้หมายเลขประกันสังคมของผู้เสียชีวิต เปลี่ยนชื่อ เปลี่ยนอายุ สร้างภูมิหลังของบุคคลนั้น และสร้างบัญชี” เขากล่าว

และยิ่งผู้ฉ้อโกงสร้างบัญชีมากเท่าไหร่ ตัวตนนั้นก็ยิ่งน่าเชื่อถือมากขึ้นเท่านั้น

“มิจฉาชีพอาจเริ่มต้นด้วยการไปหาพ่อค้า ระบุตนเองด้วยชื่อ ที่อยู่ หมายเลขโทรศัพท์ การสร้างบัญชี [และ] จากนั้นไปช้อปปิ้ง” เขากล่าว “จากนั้นพวกเขาได้รับบัตรเครดิตที่ตรงกับตัวตนนั้นและเริ่มสร้างตัวตนนั้นขึ้นมา”

เครื่องมือการเรียนรู้ของเครื่องช่วยจัดการกับการฉ้อโกงข้อมูลประจำตัว

จากข้อมูลของ Ekata ธุรกิจที่พยายามป้องกันการฉ้อโกงควรมุ่งเน้นไปที่คำถามสำคัญสองข้อ ได้แก่ “ลูกค้าเป็นของจริงหรือไม่” และ “เป็นลูกค้าที่พวกเขาอ้างว่าเป็นหรือไม่”

ซึ่งจำเป็นต้องสร้างความเชื่อมโยงระหว่างลูกค้ากับตัวตนดิจิทัลของพวกเขา นอกจากนี้ยังให้ "การวิเคราะห์ว่าพวกเขามีปฏิสัมพันธ์และพฤติกรรมออนไลน์อย่างไร" ต่อ Ekata

ระบบการฉ้อฉลสมัยใหม่สามารถทำได้โดยใช้ประโยชน์จากการเรียนรู้ของเครื่อง โดยพื้นฐานแล้ว พวกเขากำลังดูองค์ประกอบต่างๆ ของข้อมูลประจำตัวและใช้ข้อมูลของบุคคลที่สามเพื่อตรวจสอบว่าสิ่งใดจริงและสิ่งใดไม่จริง

ยิ่งไปกว่านั้น ระบบการฉ้อโกงยังใช้ข้อมูลเกี่ยวกับสถานที่ที่บุคคลนั้นเข้าสู่ระบบจาก “ระบบการฉ้อฉลจะตั้งคำถามว่าทำไมข้อมูลส่วนบุคคลของผู้อยู่อาศัยในนิวยอร์กจึงมาจากที่อยู่ IP [อินเทอร์เน็ตโปรโตคอล] ในประเทศจีน” สโลนกล่าว โดยพื้นฐานแล้ว ระบบการฉ้อโกงสมัยใหม่จะพิมพ์ลายนิ้วมือบนอุปกรณ์เพื่อดูว่าตรงกับตัวตนที่อ้างสิทธิ์ของลูกค้าหรือไม่

ระบบการเรียนรู้ของเครื่องในทางปฏิบัติ

ดังที่กล่าวไว้ก่อนหน้านี้ วิธีหนึ่งในการเพิ่มประสิทธิภาพการตรวจจับการฉ้อโกงให้ดีขึ้นคือการทำให้แน่ใจว่าคุณมีมุมมองที่ครอบคลุมเกี่ยวกับผู้ใช้แต่ละราย รวมถึงที่อยู่ IP และพฤติกรรมดิจิทัลของพวกเขา

เครื่องมือป้องกันการฉ้อโกงสามารถช่วยให้บริษัทต่างๆ มองเห็นธงแดงได้ง่าย ตัวอย่างเช่น Ekata Identity Engine สามารถช่วยระบุลูกค้าที่ดีเทียบกับผู้ไม่ประสงค์ดีโดยตอบคำถามต่อไปนี้:

• อีเมลนี้เป็นของบุคคลนั้นหรือไม่

• ที่อยู่นี้ถูกต้องหรือไม่ เป็นที่อยู่อาศัย?

• นี่คือหมายเลขโทรศัพท์ประเภทใด

• ที่อยู่อีเมลถูกเห็นครั้งแรก/ครั้งสุดท้ายเมื่อใด

• ที่อยู่ IP มีความเสี่ยงหรือไม่?

• มีความผิดปกติใดๆ ในการใช้องค์ประกอบเอกลักษณ์หรือไม่?

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

ที่มา: https://www.paymentsjournal.com