Выявление мошенничества в реальном времени с использованием искусственного интеллекта и машинного обучения

Утверждение проблемы

С быстрым увеличением онлайн-приложений в отраслях, таких как финансы, электронная коммерция и социальные медиа, увеличилась частота и сложность попыток мошенничества. Приложения электронной коммерции сталкиваются с проблемами, такими как несанкционированные транзакции, создание фальшивых банковских счетов и атаки, осуществляемые ботами, что приводит к финансовым потерям, ущербу репутации и снижению доверия пользователей.

Текущие методы обнаружения мошенничества часто основаны на анализе после события, не решая проблему необходимости мгновенного принятия мер. Критическая проблема заключается в разработке системы способной обнаруживать и предотвращать мошенничество в режиме реального времени, обеспечивая баланс между производительностью, пользовательским опытом и конфиденциальностью данных.

График, отображающий тенденции в инцидентах мошенничества и методах обнаружения с 2015 по 2024 год. Он иллюстрирует:

• Красная линия – Рост числа инцидентов мошенничества со временем.
• Синяя линия – Плато в эффективности традиционных методов обнаружения.
• Зеленая линия – Восходящий тренд в потенциале систем обнаружения мошенничества в реальном времени, не отставая от повышающейся сложности мошенничества.

В Великобритании почти 1,4 миллиона краж были приписаны мошенникам в первой половине 2023 года, происходящих с частотой одной каждые 12 секунд.

Техники ИИ/МО для обнаружения мошенничества в реальном времени

Поведенческая аналитика

Анализ поведения стал основой обнаружения мошенничества в реальном времени в приложениях электронной коммерции. Приложения электронной коммерции могут обнаруживать аномалии, указывающие на мошенническую деятельность, анализируя шаблоны поведения пользователей. 

В отличие от статических систем на основе правил, анализ поведения опирается на алгоритмы машинного обучения и поведенческую биометрию для выявления тонких отклонений в действиях пользователя, таких как скорость набора, паттерны касаний и последовательности навигации.

Например, законные пользователи часто следуют предсказуемым путям при взаимодействии с приложением (например, вход → поиск → покупка). Мошеннические акторы или боты, напротив, могут проявлять беспорядочное или чрезмерно систематическое поведение. Системы анализа поведения отслеживают эти шаблоны в реальном времени, используя функции, такие как:

1. Поведенческая биометрия – Мониторинг уникальных характеристик пользователя, таких как нажатия клавиш, давление при касании или скорость свайпа
2. Анализ сессий – Отслеживание действий пользователя во время сеанса для выявления отклонений от нормальных шаблонов использования
3. Непрерывная аутентификация – Непрерывная проверка подлинности пользователя на основе поведенческих шаблонов вместо полагания только на одноразовый вход

Идентификация устройства

Идентификация устройства для обнаружения мошенничества в реальном времени использует техники AI/ML для уникальной идентификации устройств и отслеживания их поведения. Путем извлечения как статических атрибутов (таких как модель устройства, версия ОС и разрешение экрана), так и динамических характеристик (например, изменения IP-адреса или времена входа в систему), алгоритмы машинного обучения, такие как Случайный лес и XGBoost, классифицируют устройства как законные или мошеннические.

Техники обнаружения аномалий, такие как Изоляционный лес и Локальный фактор выброса (LOF), помогают выявлять необычное поведение устройства, оценивая отклонения от типичных шаблонов. Методы распознавания образцов, такие как Цепи Маркова и Динамическое выравнивание времен, используются для анализа последовательности действий, выполняемых устройством, обнаруживая неправильное поведение с течением времени, которое может указывать на мошенничество.

Системы обнаружения мошенничества в реальном времени постоянно совершенствуются благодаря адаптивному обучению. Полуспособное обучение позволяет моделям улучшаться, используя как размеченные, так и неразмеченные данные, в то время как обучение с подкреплением позволяет системам учиться на обратной связи и адаптироваться к новым тактикам мошенничества. Эти передовые техники AI/ML позволяют системам идентификации устройств эволюционировать в ответ на появляющиеся угрозы, обеспечивая точное и динамичное обнаружение мошенничества. Сочетая эти техники, приложения электронной коммерции могут обнаруживать подозрительные устройства и поведение с высокой точностью в реальном времени, эффективно смягчая риски мошенничества.

• XGBoost – Продвинутый алгоритм градиентного усиления, известный своей высокой производительностью в задачах классификации и регрессии.
• Градиентный бустинг – Техника машинного обучения, которая последовательно строит деревья решений для исправления ошибок, допущенных предыдущими моделями
• Регуляризация – Техника, используемая для предотвращения переобучения путем добавления штрафа за сложность модели
• Обрезка деревьев – Процесс удаления ветвей из деревьев решений для улучшения производительности и предотвращения переобучения
• Параллельная обработка – Возможность выполнять несколько вычислений одновременно, ускоряя обучение модели
• Аппроксимация второго порядка – Оптимизационный подход, использующий как первую, так и вторую производные функции потерь для более быстрой сходимости

Оценка риска в реальном времени

Оценка риска в реальном времени оценивает вероятность мошеннической деятельности во время пользовательской сессии или транзакции. Она присваивает динамическую оценку риска на основе поведенческих шаблонов, информации об устройстве, геолокации и исторических данных.

Принцип работы:

• Сбор данных – Захват действий пользователя (например, время входа, устройство, местоположение)
• Анализ – Сравнение с нормальным поведением и известными шаблонами мошенничества
• Оценка – Присвоение оценки риска (например, 0-100, где более высокие значения указывают на более высокий риск)
• Действие – На основе оценки активирует действия, такие как выделение, дополнительная верификация или блокировка

Проверка документов с использованием искусственного интеллекта

Автоматизированная проверка документов на основе ИИ осуществляет идентификацию, анализируя загруженные удостоверения личности (например, паспорта и водительские права) в реальном времени. Она использует оптическое распознавание символов (OCR) для извлечения данных, проверяет подлинность и применяет детекцию живости для сопоставления селфи пользователя с фотографиями на удостоверениях.

Ниже приведены примеры приложений, использующих ИИ для проверки документов:

• Revolut – Проверяет личность пользователя для создания аккаунта и соблюдения требований KYC
• Airbnb – Подтверждает личности хозяев и гостей для обеспечения доверия к платформе
• Uber – Проверяет водительские лицензии и личности для регистрации новых водителей
• PayPal – Обеспечивает безопасное подключение, проверяя удостоверения личности клиентов

Эта технология повышает безопасность, ускоряет процесс подключения и предотвращает мошенничество.    

Проблемы внедрения и будущие тенденции в области обнаружения мошенничества на основе ИИ

 

Заключение

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.

Спасибо за чтение этого! Вы можете связаться с нами на Swapnil’s, Vikesh’s, и LinkedIn Милава!