""

É um fato agradável que o aprendizado de máquina é básico para qualquer organização que precisa permanecer à frente no universo de fraudes que muda rapidamente. Sistemas artificialmente inteligentes tornam a identificação de fraudes cada vez mais precisa, progressivamente versátil e muito mais rápida. As organizações podem ficar atentas à enorme quantidade de informações transmitidas, evitando as desgraças de maneira mais viável e proporcionando uma experiência superior ao cliente, já que menos solicitações são recusadas ou adiadas.

Inteligência Artificial e Proteção contra Fraude

É fácil entender por que o aprendizado de máquina criou um burburinho na comunidade de detecção de fraudes. De alguma forma ou de outra, a prevenção contra fraudes parece ser o caso de uso perfeito para esse tipo do que alguns chamam de Inteligência Artificial. Há uma tremenda medida de informação conectada a cada troca, existem padrões sólidos que podem ser encontrados em comportamentos de compra e propensões (tanto de bons clientes quanto de falsos), e há uma resposta para o dia. 's fim: uma troca será cobrada de volta, ou não. Isto implica que você pode rotular a informação e dar a entrada da máquina, que é a maneira pela qual ele descobre como ser progressivamente exato após algum tempo.

 ""

Numerosas organizações incorporaram artificialmente inteligentes de todo o coração e se interessaram pelas associações surpreendentes que a máquina tinha a capacidade de fazer. Como a máquina aborda as informações imparcialmente e geralmente é fornecida para gerenciar muitas informações, ela pode identificar padrões e conexões que as pessoas, cuja visão está cada vez mais restrita, não estão prontas para ver.

Seja como for, o aprendizado de máquina não supervisionado apenas o levará até agora. Podemos discutir a Inteligência Artificial, no entanto, até agora, apesar do fato de que as máquinas podem aprender, elas não podem pensar. Eles podem apenas processar e dividir os dados que eles recebem. Isso significa que os resultados obtidos estão sujeitos às informações que você forneceu à máquina. Coloque informações terríveis, fragmentadas ou ilusórias, e você receberá informações horríveis, inadequadas ou enganosas. Uma máquina não tentará entender o que está acontecendo com a informação, ou descobrirá um caminho em torno dessa questão, ou será visitada por um instantâneo de compreensão que demonstre a coisa toda sob outra luz.

Encontrando uma solução para o problema: Inteligência Artificial

A inteligência artificial na prevenção de fraudes demonstrou um aparato colossalmente lucrativo, mas não um projétil de prata. Enquanto a velocidade e a escala que as máquinas estão equipadas mudaram o que é concebível na detecção de fraudes, elas não são suficientes sem que ninguém mais entenda as dificuldades imprevisíveis incluídas. Uma máquina pode ser melhor em antecipar o clima, ou em reconhecer uma fotografia, do que um indivíduo. Seja como for, nem o clima nem as fotografias batem de volta. Eles não estão se esforçando para se esconder, ou prender a máquina em supor que eles são algo diferente, ou desenvolver novas estratégias.

Fraudadores, obviamente, fazem todas essas coisas. Toda a sua metodologia consiste em confundir as informações, fazer com que seus perfis pareçam mais persuasivos do que são, abraçar atributos conhecidos de bons compradores, voar sob o radar. Eles estão incessantemente pensando em melhores abordagens para encobrir a si mesmos, e para capacitar mudanças completas de caráter a uma velocidade que Clark Kent invejaria. Além disso, eles continuamente desenvolvem novos ataques de extorsão, com novos sistemas ou novas inovações. Aqui e ali eles trabalham em anéis para confundir ainda mais a imagem.

A maioria disso é confundir com uma máquina. No ponto em que as coisas mudam rapidamente, pode muito bem ser difícil para uma máquina acompanhar. As máquinas excedem as expectativas em "informações enormes" – em encontrar os exemplos em conjuntos de dados realmente gigantescos. Seja como for, a deturpação, explicitamente, é regularmente sobre "pouca informação". Você precisa obter os fraudadores antes que eles efetivamente roubaram um grande número de dólares com outro método que eles tinham a capacidade de usar de novo e de novo antes de seu framework começar. Basicamente, você tem que pensar neles.

Adicionando elementos humanos a máquinas: ajudando na detecção de fraudes

O que muitos grupos de fraudes e organizações fazem é usar o aprendizado de máquina em um grau limitado, e depois disso entregar a questão aos comentaristas manuais. O grupo de pesquisa será encarregado de passar por trocas que pareçam suspeitas de uma forma ou de outra.

O aprendizado de máquina não é suficiente sem a entrada de mais ninguém, no entanto, as pesquisas manuais trazem de volta todos os problemas que as máquinas estavam iluminando. Eles são moderados, não são versáteis e não são excessivamente precisos. Além disso, um comentarista cuja atividade é dar uma olhada em uma troca após a outra e dar uma escolha tão rápida quanto concebível perde a inacreditável impressão da informação que encoraja a máquina a descobrir exemplos e padrões de notas.

 ""

Os departamentos de fraude percebem que isso é um problema, mas batalham para ficar de pé com as últimas novidades na criação de padrões e para dar tempo para investigar muito além do esperado para trocas individuais escolhidas. O impacto financeiro da fraude pensar descobriu que 56% dos concessionários afirmam extorsão moderação preparando o tempo é difícil de anular. Na verdade, até mesmo os indivíduos que supervisionam a maior parte do tempo não podem organizá-lo – e os fraudadores se movimentam rapidamente, portanto avanços consistentes são fundamentais.

Exame comportamental e de sistema – Sistemas inteligentemente artificiais usam informações imensas para reconhecer a conduta genuína do cliente da conduta de bots, observando irregularidades nos projetos de aparência do local. Parceiros de bots em geral visitam um grupo similar de áreas de novo e de novo à luz do fato de que sua conduta é informatizada. Distinguir esses exemplos pode nos permitir detectar bots dependentes de sua conduta. Considerando tudo, a maioria das pessoas não visita locais semelhantes, exatamente no mesmo pedido, em diversas ocasiões todos os dias. Na chance de que esses cúmplices tenham apenas visitado áreas explícitas que podem mostrar um bolsão de movimento de bots, nós rastreamos esses exemplos e verificamos esse tráfego como enganoso. Obviamente, os sistemas de aprendizado de máquina também podem reconhecer projetos no engarrafamento da hora do rush que não são rapidamente liberados para especialistas humanos. <> P>  ""

Investigação de programas e gadgets – O aprendizado de máquina nos permite reconhecer fontes de tráfego inválidas, coordenando os destaques do programa para o especialista do cliente. Embora esse tipo de garantia seja freqüentemente denominada determinista, seria estranho sem utilizar abordagens de aprendizado de máquina para reconhecer designs dentro de coleções extensivas de informações. Conectada efetivamente e controlada por informações adequadas, essa estratégia de identificação pode ajudar a remover sistemas bots inteiros.

Estratégia para detectar fraudes: integrando modelos de AI supervisionados e não supervisionados

Uma vez que os planos de criminalidade ordenados são tão avançados e rápidos para serem ajustados, os sistemas de guarda, dependentes de qualquer procedimento sistemático único, de uma única estimativa, criarão resultados de má qualidade. Cada caso de uso deve ser mantido por sistemas de detecção de inconsistência habilmente criados que são ideais para o problema atual. Assim, os modelos supervisionados e não supervisionados assumem funções críticas na detecção de fraudes e devem ser integrados em sistemas de fraude exaustivos e de ponta.

 ""

  • Um modelo supervisionado, o tipo de aprendizado de máquina mais amplamente reconhecido sobre todas as ordens, é um modelo preparado em um arranjo rico de trocas legitimamente rotuladas. Cada troca é rotulada como extorsão ou não representação falsa. Os modelos são preparados pela ingestão de enormes medidas de sutilezas de troca rotuladas, de modo a aprender projetos que melhor reflitam práticas genuínas. Ao construir um modelo supervisionado, a medida de informações de preparação significativas e impecáveis é especificamente relacionada à exatidão do modelo.

 ""

  • Os modelos não supervisionados destinam-se a detectar uma conduta atípica em situações em que a informação de troca rotulada é geralmente fina ou inexistente. Nesses casos, um tipo de autoaprendizado deve ser utilizado para apresentar exemplos de informações imperceptíveis a diferentes tipos de exame. Modelos não supervisionados destinam-se a encontrar exceções que falem com tipos de fraude ocultos de antemão. Essas estratégias baseadas em IA reconhecem anormalidades de conduta ao distinguir trocas que não obedecem à parte dominante. Para exatidão, essas inconsistências são avaliadas na dimensão individual e, além disso, através do exame agregado moderno de amigos.

Escolhendo uma mistura ideal de métodos de IA gerenciados e não supervisionados, você pode distinguir tipos já ocultos de conduta suspeita, enquanto percebe rapidamente os exemplos mais discretos de fraudes que foram vistas recentemente em vários bilhões de registros.

Modelos de IA supervisionados e detecção de fraudes

O aprendizado de máquina é um subcampo da IA que procura resolver a questão de metodologias passadas serem excessivamente inflexíveis. Os cientistas precisavam das máquinas para obter informações, em vez de codificar o que esses projetos de PC deveriam procurar (uma metodologia alternativa das estruturas mestras). O aprendizado de máquina começou a fazer enormes caminhadas durante a década de 1990 e, na década de 2000, foi utilizado de forma adequada para combater a deturpação também.

Conectado à fraude, o aprendizado de máquina supervisionado (SML) fala com um grande avanço. É tremendamente diferente dos padrões e registros de notoriedade, alegando que, em vez de dar uma olhada em apenas alguns pontos com princípios e portas simples, todos os pontos altos são vistos juntos.

Considerando tudo, a SML conectada à detecção de fraudes é um território funcional de melhoria à luz do fato de que existem numerosos modelos e metodologias de SML. Por exemplo, a aplicação de sistemas neurais à deturpação pode ser excepcionalmente útil à luz do fato de que ele computacionaliza o design, um avanço geralmente exorbitante que requer mediação humana. Esta metodologia pode diminuir a taxa de falsos positivos e falsos negativos contrastados com outros modelos de SML, por exemplo, SVM e modelos arbitrários de madeiras, uma vez que os neurônios encobertos podem codificar resultados muito mais concebíveis do que seria possível por um ser humano.

Modelos AI não supervisionados e detecção de fraudes

Contrastado com o SML, o aprendizado de máquina sem supervisão (UML) dividiu menos problemas de área. Para a detecção de fraudes, a UML geralmente não possui a capacidade de incentivar muito. Abordagens UML regulares (por exemplo, k-implica e vários agrupamentos nivelados, sistemas neurais não supervisionados e a principal investigação do segmento) não possuem a capacidade de realizar grandes resultados para a descoberta de deturpação. Ter uma maneira não supervisionada de lidar com a extorsão pode ser difícil de se trabalhar internamente, uma vez que requer a preparação de bilhões de vezes todos juntos e não há modelos poderosos e não supervisionados fora da caixa. No entanto, existem organizações que fizeram progresso por lá.

A razão pela qual isso pode muito bem estar ligado à extorsão é por causa das estruturas de vida das agressões mais deturpadas. A conduta ordinária do cliente é desorganizada, mas os fraudadores trabalharão em exemplos, independentemente de entenderem ou não. Eles estão trabalhando rapidamente e em escala. Um fraudador não tentaria tirar US $ 100.000 de uma só vez de uma administração on-line. Ou talvez, eles fazem punhados para um grande número de registros, cada um dos quais pode retornar um benefício de alguns centavos para alguns dólares. Seja como for, esses exercícios definitivamente farão exemplos e a UML poderá identificá-los.

Conclusão:

Cada metodologia tem seus próprios pontos focais e obstáculos, e você pode lucrar com cada estratégia. Princípios e registros de notoriedade podem ser executados com eficiência e rapidez sem o domínio da IA. Em qualquer caso, elas devem ser continuamente atualizadas e irão apenas enquadrar os fraudadores mais ingênuos. O SML se transformou em uma inovação inusitada que pode refletir sobre cada uma das características de um registro ou ocasião solitários, mas ainda é restrita, pois não é possível descobrir novos projetos de assalto. A UML é o avanço a seguir, pois pode descobrir novos projetos de ataque, distinguir a maioria dos registros relacionados a um ataque e fornecer uma visão global completa. Então, novamente, não é tão convincente em acabar com os fraudadores singulares com assaltos de baixo volume e é difícil de executar internamente. Em todo caso, é absolutamente encorajador para as organizações que esperam obter escala substancial ou sempre desenvolver ataques.

Uma estrutura sólida de detecção de fraudes utiliza regularmente cada um dos três métodos notáveis para utilizar a inteligência artificial para combater deturpações falsas. Quando eles são utilizados juntos legitimamente, é concebível lucrar com os benefícios de cada um enquanto alivia as deficiências dos outros.

A Inteligência Artificial na detecção de fraudes continuará desenvolvendo, além dos avanços investigados acima, e é difícil tentar lidar com o que os seguintes pontos de referência se assemelharão. Uma coisa que sabemos sem dúvida, no entanto, é que os causadores de problemas continuarão avançando ao lado dela, e a corrida está em utilizar a IA para identificar os culpados mais rapidamente do que eles podem utilizá-la para guardar. Na Offshore Software Solutions , usamos o poder da inteligência artificial para fornecer tecnologias capazes de detectar fraudes de uma só vez. Você pode conferir nossos serviços aqui www.offshoresoftware.solutions