Makine Öğrenimi araçları, kimlik sahtekarlığını önlemeye nasıl yardımcı oluyor?

Büyük ve küçük çoğu şirket, günlük olarak kimlik sahtekarlığıyla uğraşır ve potansiyel kimlik sahtekarlığını belirlemeye yardımcı olmak için çok faktörlü kimlik doğrulama ve CAPTCHA (bilgisayarları ve insanları birbirinden ayırmak için tamamen otomatikleştirilmiş genel Turing testi) kodları dahil olmak üzere bir araç filosuna güvenmeye başlar. Bu araçlar bir yere kadar yardımcı olsa da her şeyi yakalamıyor. Bir Mastercard şirketi olan Ekata'nın araştırmasına göre, “Kusursuz değil. İyi müşteriler reddedilir ve kötü oyuncular içeri sızar. Kime güveneceğini bilmek zor."

Bu zorlukları derinlemesine inceliyoruz ve gelişmiş makine öğrenimi modellerinin şirketlere işledikleri verileri daha iyi anlamalarını sağlamanın yanı sıra kimlik doğrulama ve dolandırıcılıktan korunma konusunda onlara nasıl yardımcı olabileceğini keşfediyoruz.

Sentetik Kimlik Dolandırıcılığı

Sentetik kimlik sahtekarlığı ad ve adresler gibi gerçek kimlik bilgilerinin sahte bilgilerle birleştirilmesini içerir. Sonuç olarak, sahtekarlık tespit sistemlerini atlatmak için yeni bir kimlik üretilebilir ve kullanılabilir. Zamanla, daha basit dolandırıcılık biçimlerinin tespit edilmesi daha kolay hale geldikçe, sentetik kimlik dolandırıcılığı, dolandırıcılar için baskın bir yaklaşım haline geldi.

Göre Tim Sloane, Mercator Danışma Grubu'nda Ödemeler İnovasyonu Başkan Yardımcısı, sentetik kimlikler iskambilden bir ev gibi inşa edilmiştir. "Bir dolandırıcı, ölen kişilerin Sosyal Güvenlik numaralarını kullanabilir, adını değiştirebilir, yaşını değiştirebilir, o kişi için bir arka plan oluşturabilir ve ardından hesaplar oluşturabilir" dedi.

Dolandırıcılar ne kadar çok hesap oluşturursa, bu kimlik o kadar güvenilir hale gelir.

“Dolandırıcılar işe bir tüccara giderek başlayabilir; isim, açık adres, telefon numarası ile kendilerini tanıtma; bir hesap oluşturmak; [ve] sonra biraz alışveriş yapın” dedi. "Oradan bu kimliğe uyan bir kredi kartı alıyorlar ve bu kimliği oluşturmaya başlıyorlar."

Makine Öğrenimi Araçları, Kimlik Dolandırıcılığının Ele Alınmasına Yardım Ediyor

Ekata'ya göre dolandırıcılığı önlemeye çalışan işletmelerin iki önemli soruya odaklanması gerekiyor: "Müşteri gerçek mi?" ve "Müşteri iddia ettikleri kişi mi?"

Bu, müşteriler ve dijital kimlikleri arasında bir bağlantı kurulmasını gerektirir. Ekata'ya göre bu aynı zamanda "çevrimiçi ortamda nasıl etkileşimde bulunduklarına ve davrandıklarına dair bir analiz" sağlıyor.

Modern dolandırıcılık sistemleri bunu genellikle makine öğreniminden yararlanarak başarabilir. Temel olarak, kimliğin çeşitli bileşenlerine bakıyorlar ve neyin doğru neyin yanlış olduğunu doğrulamak için üçüncü taraf verilerini kullanıyorlar.

Dahası, dolandırıcılık sistemi, kişinin nereden oturum açtığı hakkındaki bilgileri kullanır. Sloane, "Bir dolandırıcılık sistemi, New York'ta ikamet eden birinin kişisel bilgilerinin neden Çin'deki bir IP [internet protokolü] adresinden geldiğini sorgulayacak" dedi. Temelde, modern dolandırıcılık sistemleri, müşterinin iddia ettiği kimlikle eşleşip eşleşmediğini görmek için cihazın parmak izini sürüyor.

Uygulamada Makine Öğrenimi Sistemleri

Daha önce bahsedildiği gibi, dolandırıcılık tespitini daha iyi optimize etmenin bir yolu, IP adresi ve dijital alışkanlıkları da dahil olmak üzere bireysel bir kullanıcı hakkında kapsamlı bir görüşe sahip olduğunuzdan emin olmaktır.

Bir dolandırıcılık önleme aracı, şirketlerin kırmızı bayrakları kolayca tespit etmesine yardımcı olabilir. Örneğin, Ekata Identity Engine, aşağıdaki soruları yanıtlayarak iyi müşterileri ve kötü oyuncuları belirlemeye yardımcı olabilir:

• Bu e-posta kişiye mi ait?

• Bu adres geçerli mi? Konut mu?

• Bu ne tür bir telefon numarası?

• E-posta adresi ilk/son ne zaman görüldü?

• IP adresi riskli mi?

• Kimlik öğelerinin kullanımında herhangi bir anormallik var mı?

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

Kaynak: https://www.paymentsjournal.com