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
- มดการเงิน
- blockchain
- การประชุม blockchain fintech
- ฟินเทค
- coinbase
- เหรียญอัจฉริยะ
- การประชุม crypto fintech
- การรักษาความปลอดภัยในโลกไซเบอร์
- Fintech
- แอพฟินเทค
- นวัตกรรมฟินเทค
- ข่าว Fintech
- ทะเลเปิด
- เพย์พาล
- เพย์เทค
- ช่องทางการจ่ายเงิน
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เพลโตเกม
- มีดโกน
- revolut
- Ripple
- ฟินเทคสแควร์
- ริ้ว
- เทนเซ็นต์ ฟินเทค
- Xero
- ลมทะเล