Data science

Các công cụ phát hiện gian lận dựa trên AI hàng đầu có sẵn vào năm 2021

Những công cụ này có thể được sử dụng rộng rãi để phát hiện gian lận. Kể từ những năm đầu 2010, các ngân hàng lớn đã sử dụng phát hiện bất thường – một kỹ thuật AI để xác định các sai lệch so với tiêu chuẩn – để tự động hóa gian lận, an ninh mạng và chống các quy trình rửa tiền. Việc phát hiện gian lận với Học máy trở nên khả thi do các thuật toán ML có thể học hỏi từ các mẫu gian lận lịch sử và nhận ra chúng trong các giao dịch trong tương lai. Các thuật toán Máy học có vẻ hiệu quả hơn con người khi nói đến tốc độ xử lý thông tin. Ngoài ra, các thuật toán ML có thể tìm ra các đặc điểm gian lận tinh vi mà con người không thể phát hiện được. Teradata là một công ty AI bán các giải pháp phát hiện gian lận cho các ngân hàng. Họ tuyên bố nền tảng học máy của họ có thể nâng cao khả năng phát hiện gian lận ngân hàng bằng cách giúp phần mềm phân tích dữ liệu của họ nhận ra các trường hợp gian lận tiềm ẩn trong khi tránh những sai lệch có thể chấp nhận được so với quy chuẩn. Trong các trường hợp khác, những sai lệch này có thể bị gắn cờ và kết thúc là những sai lệch cung cấp phản hồi cho hệ thống để “học hỏi” từ những sai lầm của nó. Theo một nghiên cứu điển hình được liệt kê trên trang web của họ, Teradata đã giúp Ngân hàng Danske hiện đại hóa quy trình phát hiện gian lận và giảm 1, 200 dương tính giả mỗi ngày. Nghiên cứu điển hình cho biết rằng vào thời điểm Ngân hàng Danske hoàn thành cài đặt và triển khai giải pháp của Teradata, họ đã có thể giảm các kết quả dương tính giả bằng cách 60 % và dự kiến ​​sẽ đạt 80% khi mô hình học máy tiếp tục học hỏi, tăng khả năng phát hiện gian lận thực sự bằng cách 50% và tập trung thời gian và nguồn lực của họ cho các trường hợp gian lận thực tế và xác định các phương pháp gian lận mới. Các giải pháp ngăn ngừa và phát hiện gian lận dựa trên phát hiện bất thường phổ biến hơn so với phân tích dự đoán và mô tả. Loại ứng dụng này yêu cầu một mô hình học máy phổ biến hơn nhiều được đào tạo trên một luồng dữ liệu đến liên tục. Người mẫu được đào tạo để có cảm giác cơ bản về tính bình thường đối với các nội dung của giao dịch ngân hàng, đơn xin vay hoặc thông tin để mở tài khoản mới. Sau đó, phần mềm có thể thông báo cho người giám sát của con người về bất kỳ sai lệch nào so với mô hình bình thường để họ có thể xem xét nó. Máy giám sát có thể chấp nhận hoặc từ chối cảnh báo này, cảnh báo này báo hiệu cho mô hình học máy rằng việc xác định gian lận từ giao dịch, ứng dụng hoặc thông tin khách hàng của nó là chính xác hay không. Điều này sẽ huấn luyện thêm cho mô hình học máy để “hiểu” rằng độ lệch mà nó phát hiện là gian lận hoặc độ lệch mới có thể chấp nhận được. Loại đường cơ sở này cũng có thể được thiết lập cho các tương tác với nhiều hoạt động hoặc tổ chức ngân hàng khác. Ngoài chủ sở hữu tài khoản, gian lận có thể đến từ các thương gia và tổ chức phát hành và thông tin giao dịch của họ có thể được sử dụng để đào tạo mô hình học máy nhằm nhận biết các giao dịch đang xử lý đúng cách. Điều này thường liên quan đến việc định giá, nhưng cũng có thể liên quan đến việc bỏ sót hàng hóa chưa thanh toán. Một khả năng khác là hành vi chi tiêu, điều này sẽ cho phép mô hình học máy nhận ra các chi tiết gian lận của hoạt động mua sắm bán lẻ hoặc Thương mại điện tử. Dữ liệu vị trí địa lý có thể quan trọng đối với các loại ứng dụng này, vì các giao dịch gian lận thường xảy ra ở xa nơi chủ sở hữu tài khoản sinh sống. Một nhà cung cấp bán phần mềm phát hiện gian lận dựa trên phát hiện bất thường cho các ngân hàng là Feedzai. Công ty tuyên bố phần mềm của họ có thể giúp các ngân hàng ngăn chặn gian lận và rửa tiền bằng cách phát triển hồ sơ rủi ro chi tiết về khách hàng và cho điểm dựa trên dữ liệu chi tiết. Công ty tuyên bố rằng phần mềm công cụ OpenML của họ có thể giúp nhóm khoa học dữ liệu của ngân hàng xây dựng mô hình học máy của riêng họ để phát hiện gian lận bằng cách sử dụng phần mềm được cung cấp, các mô hình gian lận. Feedzai tuyên bố đã giúp một trong những ngân hàng bán lẻ hàng đầu ở Mỹ phát hiện gian lận chính xác hơn. Họ đã công bố một nghiên cứu điển hình cho thấy sự thành công của ngân hàng với phần mềm, nhưng không đề cập đến họ bằng tên. Đây là điều quan trọng cần chú ý khi xem xét các nhà cung cấp phần mềm AI, nhưng vì đội ngũ tài năng AI của Feedzai và các khách hàng tiếp thị như Citibank, chúng tôi tin tưởng rằng họ thực sự sử dụng AI. Theo nghiên cứu điển hình, ngân hàng khách hàng nhận thấy rằng quy trình phát hiện gian lận hiện tại của họ đối với ứng dụng trực tuyến trên hệ thống xử lý đơn đăng ký chính của họ đã từ chối hơn một nửa số người nộp đơn. Điều này dẫn đến những thiệt hại đáng kể mà ngân hàng muốn ngăn chặn trong tương lai. Họ cần một ứng dụng chấm điểm rủi ro có thể chạy qua các ứng dụng tài khoản mới và chỉ chấp nhận những ứng dụng tiết lộ tỷ lệ gian lận rủi ro thấp. Ngân hàng muốn đảm bảo rằng các ứng dụng duy nhất được chuyển sang xem xét thủ công thực sự là một rủi ro và các yếu tố rủi ro được đánh dấu để đưa ra quyết định nhanh hơn trên bộ phận giám sát của con người. Ngân hàng khách hàng đã triển khai phần mềm phát hiện gian lận của Feedzai trong hệ thống xử lý ứng dụng của họ bằng cách sử dụng cơ sở dữ liệu của riêng họ. Điều này có mục đích khiến phần mềm của Feedzai trở thành công cụ đưa ra quyết định chính cho quá trình giới thiệu khách hàng mới và có thể kiểm tra danh tính, tính đủ điều kiện và đánh giá rủi ro gian lận của từng khách hàng. Nghiên cứu điển hình cũng chỉ ra rằng phần mềm cũng có thể hỏi các câu hỏi tiếp theo dành riêng cho khách hàng khi nó không được cung cấp đủ thông tin để đưa ra quyết định. Feedzai tuyên bố trong nghiên cứu điển hình rằng ngân hàng khách hàng đã thấy lượng khách hàng mới gia nhập tăng 70% sau khi tích hợp với phần mềm của họ. Họ cũng nói rằng ngân hàng không nhận thấy sự gia tăng các khoản lỗ do gian lận mặc dù số lượng người nộp đơn được chấp thuận đã tăng lên.

  • Trang chủ
  • CRM
  • Email doanh nghiệp
  • Email marketing
  • Marketing News
  • Marketing tổng thể
  • SEO
  • Thiết kế Website
  • Web Hosting
  • Chatbot
  • Data science
  • Back to top button