Cách các công cụ Machine Learning đang giúp ngăn chặn gian lận danh tính

Hầu hết các công ty lớn và nhỏ đều giải quyết vấn đề gian lận danh tính hàng ngày và đã dựa vào một nhóm công cụ, bao gồm xác thực đa yếu tố và mã CAPTCHA (bài kiểm tra Turing công khai hoàn toàn tự động để phân biệt máy tính và con người), để giúp xác định hành vi gian lận danh tính tiềm ẩn. Mặc dù những công cụ này giúp ích ở một mức độ nào đó, nhưng chúng không nắm bắt được mọi thứ. Theo nghiên cứu từ Ekata, một công ty của Mastercard, “Không thể đánh lừa được. Những khách hàng tốt bị từ chối và những kẻ xấu lẻn vào. Thật khó để biết nên tin ai.”

Chúng tôi đi sâu vào những thách thức này và khám phá cách các mô hình máy học tinh vi có thể giúp các công ty hiểu rõ hơn về dữ liệu họ đang xử lý, cũng như giúp họ xác minh danh tính và chống gian lận.

Gian lận danh tính tổng hợp

Gian lận danh tính tổng hợp liên quan đến việc kết hợp thông tin nhận dạng thực — chẳng hạn như tên và địa chỉ — với thông tin giả. Do đó, một danh tính mới có thể được tạo ra và sử dụng để vượt qua các hệ thống phát hiện gian lận. Theo thời gian, khi các hình thức gian lận đơn giản trở nên dễ phát hiện hơn, gian lận danh tính tổng hợp đã trở thành phương pháp chủ đạo của những kẻ lừa đảo.

Theo Tim Sloan, Phó Chủ tịch Đổi mới Thanh toán tại Mercator Advisory Group, danh tính tổng hợp được xây dựng lên giống như một ngôi nhà của thẻ. Ông nói: “Kẻ lừa đảo có thể sử dụng số An sinh xã hội của những người đã chết, thay đổi tên, thay đổi tuổi, tạo lý lịch cho cá nhân đó và sau đó tạo tài khoản.

Và những kẻ lừa đảo càng tạo nhiều tài khoản thì danh tính đó càng trở nên đáng tin cậy.

“Những kẻ lừa đảo có thể bắt đầu bằng cách đến một thương gia; xác định tên, địa chỉ đường phố, số điện thoại; tạo một tài khoản; [và] sau đó đi mua sắm,” anh ấy nói. “Từ đó, họ nhận được một thẻ tín dụng phù hợp với danh tính đó và bắt đầu xây dựng danh tính đó.”

Trợ giúp về công cụ học máy Địa chỉ gian lận nhận dạng

Theo Ekata, các doanh nghiệp muốn ngăn chặn gian lận nên tập trung vào hai câu hỏi quan trọng, “Khách hàng có thật không?” và “Họ có phải là khách hàng không?”

Điều đó đòi hỏi phải thiết lập một liên kết giữa khách hàng và danh tính kỹ thuật số của họ. Điều này cũng cung cấp “bản phân tích về cách họ tương tác và hành xử trực tuyến,” theo Ekata.

Các hệ thống gian lận hiện đại thường có thể thực hiện điều này bằng cách tận dụng học máy. Về cơ bản, họ đang xem xét các thành phần khác nhau của danh tính và sử dụng dữ liệu của bên thứ ba để xác thực điều gì là đúng và điều gì không.

Hơn nữa, một hệ thống lừa đảo sử dụng thông tin về nơi người đó đăng nhập. “Một hệ thống lừa đảo sẽ đặt câu hỏi tại sao thông tin cá nhân của một cư dân New York lại đến từ một địa chỉ IP [giao thức internet] ở Trung Quốc,” Sloane nói. Về bản chất, các hệ thống gian lận hiện đại lấy dấu vân tay của thiết bị để xem nó có khớp với danh tính đã xác nhận của khách hàng hay không.

Hệ thống học máy trong thực tế

Như đã đề cập trước đây, một cách để tối ưu hóa tốt hơn khả năng phát hiện gian lận là đảm bảo bạn có cái nhìn toàn diện về từng người dùng, bao gồm địa chỉ IP và thói quen kỹ thuật số của họ.

Một công cụ phòng chống gian lận có thể giúp các công ty dễ dàng phát hiện các dấu hiệu cảnh báo.. Ví dụ: Công cụ nhận dạng Ekata có thể giúp xác định khách hàng tốt và kẻ xấu bằng cách trả lời các câu hỏi sau:

• Email này có thuộc về người đó không?

• Địa chỉ này có hợp lệ không? Nó có phải là khu dân cư không?

• Đây là loại số điện thoại nào?

• Địa chỉ email được nhìn thấy lần đầu/lần cuối khi nào?

• Địa chỉ IP có rủi ro không?

• Có bất kỳ sự bất thường nào trong việc sử dụng các yếu tố nhận dạng không?

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

Nguồn: https://www.paymentsjournal.com