זיהוי הונאה בזמן אמת באמצעות AI ולמידת מכונה

הצהרת בעיה

עם העלייה המהירה של אפליקציות מקוונות בתעשיות כמו פיננסים, מסחר אלקטרוני ורשתות חברתיות, תדירות וסוגיות הניסיון להונאה עלו. אפליקציות מסחר אלקטרוני מתמודדות עם אתגרים כמו עסקאות לא מורשות, יצירת חשבונות בנק מזויפים, ומתקפות מונחות בוטים, מה שמוביל להפסדים כספיים, נזק למוניטין, והפחתת אמון המשתמשים.

שיטות גילוי ההונאה הנוכחיות לעיתים קרובות מסתמכות על ניתוח מאוחר לאירועים, ואינן מצליחות להתמודד עם הצורך במתן מענה בזמן אמת. הבעיה הקריטית היא לפתח מערכת המסוגלת לגלות ולמנוע הונאות כאשר הן מתרחשות, תוך שמירה על איזון בין ביצועים, חוויית משתמש, ופרטיות נתונים.

גרף המראה מגמות במקרי הונאה ושיטות גילוי מהשנים 2015 עד 2024. הוא מתאר:

• קו אדום – מספר המקרים של הונאה הגובר עם הזמן.
• קו כחול – הה plateau ביעילות שיטות הגילוי המסורתיות.
• קו ירוק – המגמה העולה בפוטנציאל של מערכות גילוי הונאה בזמן אמת, שומרת על קצב עם העלייה ברמות הסיבוכיות של ההונאה.

בבריטניה, כמעט 1.4 מיליון גניבות יוחסו להונאים במחצית הראשונה של 2023, התרחשו בקצב של אחת כל 12 שניות.

טכניקות AI/ML לגילוי הונאה בזמן אמת

אנליטיקה התנהגותית

ניתוח התנהגותי זכה להכרה כעמוד האבן של זיהוי הונאה בזמן אמת ביישומי מסחר אלקטרוני. יישומי מסחר אלקטרוני יכולים לזהות חריגויות שמצביעות על פעילות הונאתית על ידי ניתוח של תבניות התנהגות משתמש.

בניגוד למערכות סטטיות המבוססות על כללים, ניתוח התנהגותי מתבסס על אלגוריתמי למידת מכונה וביומטריקה התנהגותית לזיהוי סיטונות עדינות בפעולות המשתמש, כגון מהירות הקלדה, תבניות נגיעה ורצפי ניווט.

לדוגמה, משתמשים חוקיים לרוב עוקבים אחרי נתיבים צפויים בעת התמודדותם עם יישום (לדוגמה: התחברות → חיפוש → רכישה). בנגד זאת, פועלי הונאה או בוטים עשויים להציג התנהגות תנודתית או מערכתית מדי. מערכות ניתוח התנהגותי מקשיבות לתבניות אלה בזמן אמת, ומשתמשות בתכונות כגון:

1. ביומטריקה התנהגותית – מעקב אחרי מאפיינים ייחודיים של המשתמש כגון קלטת מקלדת, לחץ נגיעה, או מהירות גרירה
2. ניתוח סשן – מעקב אחרי פעולות המשתמש במהלך סשן על מנת לזהות סיטונות מן התבניות הרגילות של שימוש
3. אימות מתמד – אימות מתמד של זהות המשתמש בהתבסס על תבניות התנהגותיות במקום להסתמך בלעדית על התחברות חד-פעמית

טביעת אצבע מכשיר

זיהוי טביעת היד מתוך ניתוח התנהגות מכשירים בזמן אמת משתמש בטכניקות AI/ML כדי לזהות באופן ייחודי מכשירים ולעקוב אחר הפעולות שלהם. על ידי חילוץ של תכונות סטטיות (כמו דגם המכשיר, גרסת המערכת הפעלה ורזולוציית המסך) ותכונות דינמיות (כגון שינויי כתובת IP או שעות כניסה), אלגוריתמי למידת מכונה כמו יערות אקראיים ו-XGBoost מסווגים מכשירים כחוקיים או מזויפים.

טכניקות איתור חריגים, כגון יער בידוד ומקדם מחוץ לקו (LOF), מסייעות לזהות התנהגות לא רגילה של מכשירים על ידי בחינת הסרקות מתקנים מהתבלטות מהתבניות הרגילות. טכניקות זיהוי תבניות כמו שרשורי מרקוב ופיצוץ זמן דינמי משמשות לניתוח הרצף של פעולות שביצע המכשיר, זיהוי התנהגויות בלתי סדירות לאורך זמן שעשויות להעיד על הונאה.

מערכות איתור הונאות בזמן אמת משפרות באופן רציף באמצעות למידה רסיבית. למידה חצי פיקוחית מאפשרת למודלים להשתפר באמצעות שימוש בנתונים מסומנים ולא מסומנים, בעוד למידת חיזוק מאפשרת למערכות ללמוד ממשוב ולהתאים עצמן לטקטיקות הונאה חדשות. טכניקות AI/ML מתקדמות אלו מאפשרות למערכות זיהוי טביעת היד להתפתח בתגובה לאיומים חדשים, מבטיחות כי איתור ההונאה יישאר מדויק ודינמי. על ידי שלב טכניקות אלה, אפליקציות מסחר אלקטרוני יכולות לזהות מכשירים והתנהגויות מודועים בצורה מדויקה בזמן אמת, ולהפחית ביעילות את סיכוני ההונאה.

• XGBoost – אלגוריתם פיצוץ גרדיאנט מתקדם ידוע בביצועים הגבוהים שלו במשימות של סיווג ורגרסיה
• העלאת השפר – טכניקת למידת מכונה שבונה באופן סידרתי עצי החלטה כדי לתקן שגיאות שנעשו על ידי מודלים קודמים
• רגולריזציה – טכניקה המשמשת למניעת על-התאמה על ידי הוספת עונש למורכבות המודל
• חיתוך עץ – התהליך שבו מוסרים ענפים מעצי החלטה על מנת לשפר את הביצועים ולמנוע על-התאמה
• עיבוד מקביל – היכולת לבצע מספר חישובים בו-זמנית, מהירה את אימון המודל
• אפרוקסימציית סדר שני – גישת אופטימיזציה המשתמשת בשני נגזרות לפונקציית האובדן להגעה מהירה יותר

ציון סיכון בזמן אמת

ציון סיכון בזמן אמת מעריך את הסתברות הפעילות מרמתית במהלך פעולת המשתמש או התנהגות מפוקחת. זה מקצין ציון סיכון דינמי מבוסס על דפוסי התנהגות, מידע התקן, מיקום גיאוגרפי ונתונים היסטוריים.

איך זה עובד:

• איסוף נתונים – כולל פעולות משתמש (לדוגמה, זמן כניסה, מכשיר, מיקום)
• ניתוח – משווה להתנהגות תקינה ודפוסי מתיחה ידועים
• ציון – קובע ציון סיכון (לדוגמה, 0-100, עם ערכים גבוהים מציינים סיכון גבוה)
• פעולה – מבוסס על הציון, מפעיל פעולות כמו סימון, אימות נוסף או חסימה

אימות מסמכים עם AI

האימות של מסמכים באמצעות טכנולוגיית AI מאפשר ביצוע בדיקות זהות על ידי ניתוח תעודות הזהות (לדוגמה, דרכונים ורשיונות נהיגה) בזמן אמת. הטכנולוגיה משתמשת ב-OCR כדי לחלץ מידע, לוודא אותנטיות ולהשתמש בזיהוי חיוני להתאמת תמונות סלפי של המשתמש עם תמונות התעודה.

להלן דוגמאות לאפליקציות שמשתמשות ב- AI לאימות מסמכים:

• Revolut – מאמתת את זהות המשתמש ליצירת חשבון ולעמיתות KYC
• Airbnb – מאמתת את זהותם של המארחים והאורחים כדי להבטיח אמון בפלטפורמה
• Uber – מאמתת רשיונות נהיגה וזהויות לרישום נהגים חדשים
• PayPal – מבטיחה עליות מאובטחת על ידי אימות זהות לקוחות

טכנולוגיה זו משפרת את האבטחה, מזרזת את העלייה לפלטפורמה ומונעת הונאות.

אתגרי מימוש וטרנדים עתידיים באיתור הונאות המופעל ב-AI

 

מסקנה

The integration of AI and ML in e-commerce applications is improving fraud detection, offering real-time, adaptive, and highly effective solutions. As cyber threats evolve, so must our detection systems. We can build safer, more secure online ecosystems by addressing challenges and embracing emerging technologies.

תודה על קריאת זה! ניתן להתחבר איתנו באמצעות Swapnil’s, Vikesh’s, וב-Milav's LinkedIn!