Як інструменти машинного навчання допомагають запобігти шахрайству з ідентифікаційною інформацією

Більшість великих і малих компаній щодня борються з шахрайством із ідентифікаційними даними та почали покладатися на цілий ряд інструментів, зокрема багатофакторну автентифікацію та коди CAPTCHA (повністю автоматизований загальнодоступний тест Тьюринга для розрізнення комп’ютерів і людей), щоб допомогти виявити потенційне шахрайство з ідентифікаційною інформацією. Хоча ці інструменти допомагають певною мірою, вони не вловлюють усе. Згідно з дослідженням Ekata, компанії Mastercard, «Це не надійно. Хорошим клієнтам відмовляють, а погані актори пробираються. Важко знати, кому довіряти».

Ми занурюємось у ці виклики та досліджуємо, як складні моделі машинного навчання можуть дати компаніям краще розуміння даних, які вони обробляють, а також допомогти їм із перевіркою особи та захистом від шахрайства.

Шахрайство з використанням синтетичної ідентифікації

Синтетичне шахрайство передбачає поєднання справжньої ідентифікаційної інформації — наприклад імені та адреси — з підробленою інформацією. Як наслідок, нова особа може бути виготовлена ​​та використана для обходу систем виявлення шахрайства. З часом, оскільки прості форми шахрайства стало легше виявляти, шахрайство з використанням синтетичних ідентифікаційних даних стало домінуючим підходом для шахраїв.

За оцінками Тім Слоун, віце-президент із платіжних інновацій Mercator Advisory Group, синтетичні ідентичності будуються як картковий будиночок. «Шахрай може використовувати номери соціального страхування людей, які померли, змінити ім’я, змінити вік, створити історію для цієї особи, а потім створити облікові записи», — сказав він.

І чим більше облікових записів створюють шахраї, тим надійнішою стає ця особистість.

«Шахраї можуть почати з звернення до продавця; ідентифікувати себе ім'ям, адресою, номером телефону; створення облікового запису; [і] потім зробіть покупки», — сказав він. «Звідти вони отримують кредитну картку, яка відповідає цій ідентичності, і починають формувати цю ідентичність».

Інструменти машинного навчання допомагають боротися з шахрайством із ідентифікаційною інформацією

За словами Екати, компанії, які намагаються запобігти шахрайству, повинні зосередитися на двох важливих питаннях: «Чи справжній клієнт?» і «Чи є клієнт тим, за кого себе видає?»

Це вимагає встановлення зв’язку між клієнтами та їхніми цифровими ідентифікаторами. Це також надає «аналіз того, як вони взаємодіють і поводяться в Інтернеті», за словами Ekata.

Сучасні системи шахрайства зазвичай можуть досягти цього, використовуючи машинне навчання. По суті, вони розглядають різні компоненти ідентичності та використовують сторонні дані, щоб перевірити, що є правдою, а що ні.

Більше того, система шахрайства використовує інформацію про те, звідки людина входить у систему. «Система шахрайства запитає, чому особиста інформація жителя Нью-Йорка надходить з IP-адреси [інтернет-протокол] у Китаї», — сказав Слоан. По суті, сучасні системи шахрайства знімають відбитки пальців пристрою, щоб перевірити, чи відповідає він заявленій особистості клієнта.

Системи машинного навчання на практиці

Як згадувалося раніше, один із способів оптимізувати виявлення шахрайства — переконатися, що ви маєте всебічне уявлення про окремого користувача, включаючи його IP-адресу та цифрові звички.

Інструмент запобігання шахрайству може допомогти компаніям легко помітити червоні прапорці. Наприклад, Ekata Identity Engine може допомогти визначити хороших клієнтів і зловмисників, відповідаючи на такі запитання:

• Ця електронна адреса належить цій людині?

• Ця адреса дійсна? Це житловий будинок?

• Що це за номер телефону?

• Коли адресу електронної пошти бачили вперше/востаннє?

• Чи небезпечна IP-адреса?

• Чи є аномалії у використанні елементів ідентифікації?

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

Джерело: https://www.paymentsjournal.com