隨著現代技術的發展和成熟,生活變得更加舒適。盡管過去認為機器學習不可能同時執行復雜的操作,但計算機使人們的工作任務變得更加容易,那么為什么防止欺詐的機器學習是迄今為止最好的工具。使用間諜軟件,勒索軟件和其他非法應用程序非法訪問計算機的方法也變得日漸增多。黑客使用各種工具來影響網絡的運行并竊取人們的數據。
欺詐方案也很普遍。在某些情況下,它們的設計是如此出色,以至于無法區分真假。人工智能經常被用來應對這些威脅,在本文中,我們將回顧為什么機器學習是預防欺詐的最佳工具。
銀行帳戶屬于高風險組
大量現金流,數十億筆交易以及數百萬客戶的付款交易為黑客入侵人們的銀行帳戶創造了有利條件。欺詐者的行為不僅造成直接的物質損失,而且破壞了金融機構的信譽,嚴重打擊了其聲譽。
如今,針對性攻擊的數量已大大增加,可以選擇特定的受害者,并且攻擊本身是由專門從事特定類型活動的各種攻擊者團體精心準備和實施的:開發和銷售惡意代碼,破壞通信渠道,這導致了新的欺詐方案的出現。
通過影響銀行系統的方法,欺詐被分為外部和內部,其中涉及銀行雇員。欺詐也可以分為以下幾種實施渠道:銀行分支機構-非法執行帳戶支出操作,欺詐性的補償款記賬,付款,退款,資金臨時借用,具有休眠帳戶的非法操作,沖銷;銀行卡和支付卡-略讀(在支付終端和ATM中卡被盜用),CNP欺詐(卡不存在,在互聯網上購買時卡數據被盜用);網絡釣魚 -虛假陳述客戶進行交易的行為;遠程銀行服務-破壞渠道,更改客戶信息,未經授權的轉移,更改付款訂單中收款人的詳細信息等。
由于服務渠道的特征,折衷方法,構成被盜數據等,每個欺詐性計劃都有其準備,出售,提取和兌現現金的行為。
反欺詐系統是預防的最佳工具
防范外部和內部欺詐者的最有效方法是使用反欺詐系統,該系統可以控制銀行客戶的付款和會話交易,評估銀行員工的行為,快速識別各種服務渠道中的新欺詐方案,并防止從客戶帳戶中提取資金。
這也適用于其他行業,尤其是那些欺詐率很高的行業。例如,讓我們來看看加密行業。據認為,2018年至2019年之間發生的所有ICO中有80%是欺詐性的。這創造了一個前提,即每個加密項目都是騙局。我們非常清楚這與事實相去甚遠。如今,欺詐檢測AI被用于確認欺詐指控,而不是找到它們。例如,在比特幣進化騙局戲劇中,該公司聘請了幾位AI專家來讓算法研究公司活動。最后,人工智能成功地使公司免于指控,事實證明,這比專業人士的話更值得信賴。
反欺詐系統的主要功能是可以匯總來自各種來源的大量數據的能力,這使您可以查看客戶和員工在不同渠道中的行動情況下的操作。反欺詐系統的主要目標是:
·分析和處理各種系統中進行的金融和非金融交易的流量
·應用業務規則和算法來檢測可疑活動
·識別客戶或員工不典型的行為模式
·識別帶有欺詐跡象的一系列事件
·提供方便的工具來調查和分析數據
專家系統還廣泛用于檢測欺詐交易,其中包含許多旨在識別可疑交易的統計規則和邏輯表達式,但是這種方法有幾個缺點。
為什么機器學習被證明是防止欺詐的有效方法?
機器學習方法與統計規則的結合使用有助于降低與專家系統的局限性相關的風險,尤其是減少合法交易被錯誤識別為欺詐的案件的數量,并增加成功檢測到的真正欺詐的數量交易。機器學習算法可以檢測到人類不明顯的依賴關系,從而快速分析大量數據。
為了檢測欺詐,在教師(監督學習)和沒有教師(無監督學習)的情況下都使用了學習算法。在第一種情況下,我們主要討論分類算法,當有一個訓練樣本具有先前已知的答案,而在第二種情況下,則沒有此類答案。可以將跨國序列視為文本,然后出現分析文本數據和處理自然語言(NLP)的方法。
為了使分類算法起作用,有必要在一個有限的時期內建立一個數據集,其中包含已確認的欺詐和合法交易。但是,在標記交易時,不可避免地會出現困難:通常需要根據在構建模型所選擇的時期內從欺詐調查行為中獲取的信息來手動執行此操作。還可以使用調查文件的機器解析來獲取欺詐性交易的樣本,但是由于其不良的結構化結構和良好的質量,因此難以實現這種樣本。
與老師一起學習時,班級的不平衡是不可避免的:合法交易的數量是欺詐交易的數十萬倍。在這種情況下,將使用以下方法:數據平衡;過濾 通過“重新標記”其他交易來豐富樣本,專家很可能將其識別為欺詐。此外,使用半監督學習方法,該方法使用已知的交易是否為欺詐交易以及不知道此交易的交易。
結論
解決欺詐檢測問題時,對數據進行全面的初步分析以及選擇正確的方法來構建和驗證模型的有效性非常重要,因為否則,可能有必要重新訓練模型。沒有一種標準解決方案同樣適合于任何檢測欺詐的任務-在每種情況下,都需要一種單獨的方法來考慮問題的所有特征和反欺詐系統的要求。
盡管機器不是完美無缺的機制,而且還會犯錯誤,但它們是應對欺詐行為的最佳工具,欺詐行為會破壞銀行,系統和各種網絡的正常運行。技術專家做了很多工作,以進一步改善他們的操作,并使他們對威脅更加警覺。