Обнаружение мошенничества с помощью ИИ. Нейронка ловит воров

Ученые и инженеры считают, что искусственный интеллект и машинное обучение являются потенциальными решениями всех текущих и будущих проблем, с которыми сталкивается человечество. Различные виды мошенничества стали одной из наиболее острых и опасных проблем с разрушительными последствиями. Эта угроза постоянно развивается и может принимать самые разные формы: от мошеннических писем до фейковых видеороликов мировых лидеров. 

Очевидно, что человеческих возможностей недостаточно для борьбы с этой проблемой, поэтому людям нужен более изобретательный спутник, такой как технологии искусственного интеллекта и машинного обучения. Они продемонстрировали большой потенциал в выявлении моделей поведения и специфических особенностей, характерных для мошенничества. Глобальные инвестиции в искусственный интеллект для борьбы с мошенничеством растут с каждым годом и, как ожидается, превысят 57 миллиардов долларов в 2033 году. 

Понимание машинного обучения и искусственного интеллекта в обнаружении мошенничества

Искусственный интеллект — это общая концепция моделирования процессов человеческого мышления с помощью компьютерных технологий. В рамках этой концепции есть несколько аспектов, и машинное обучение — один из них. ML фокусируется на обучении ИИ на основе заданных наборов данных без ручного перепрограммирования. Обычно машинное обучение осуществляется с использованием одного из трех подходов: контролируемого, неконтролируемого и с подкреплением.

Глубокое обучение — это разновидность машинного обучения, которая направлена ​​на улучшение автоматизации за счет создания нейронной сети, напоминающей структуру человеческого мозга. В отличие от традиционных подходов ML, алгоритмы глубокого обучения могут обрабатывать неструктурированную информацию и повышать ее точность, используя такие процессы, как обратное распространение ошибки и градиентный спуск. 

ИИ, обученный на конкретных исторических данных, может стать мощным инструментом для решения таких сложных задач, как обнаружение мошенничества. Учитывая, что многие схемы онлайн-мошенничества основаны на ботах, автоматическое обнаружение, обеспечиваемое технологиями искусственного интеллекта и машинного обучения, является очень подходящим решением с отличными возможностями масштабирования и повышения производительности.

Основные виды мошенничества, обнаруженные искусственным интеллектом

Определить даже приблизительное количество схем и тактик мошенничества во всех отраслях сложно, поскольку новые варианты появляются каждый день. Вот три наиболее популярные категории мошенничества, связанного с онлайн-деятельностью.

Бот учетных записей: создание фейковых учетных записей и бот-сетей

Фейковые аккаунты — это современная чума Интернета. Миллиарды фейковых профилей автоматически создаются и связываются вместе, образуя огромные сети в популярных социальных сетях и на других соответствующих веб-сайтах. Например, каждый квартал Facebook удаляет от 1,3 до 2,2 миллиарда фейковых профилей. Благодаря превентивным мерам, таким как использование искусственного интеллекта для обнаружения мошенничества , LinkedIn смогла обнаружить и удалить 44,7 миллиона фейковых профилей при регистрации во второй половине 2022 года.

Мошенничество с онлайн-платежами: преступления, связанные с картами

Боты-сети часто используются для проведения брутфорс-атак. Одна из целей таких атак — проверить информацию украденной кредитной карты и определить, действительна ли она. Эта деятельность обычно характеризуется большим количеством заказов с низкой стоимостью. Обнаружение мошенничества с помощью машинного обучения может выявить и предотвратить такие попытки автоматических покупок до того, как они нанесут вред предприятиям и держателям карт.

Кража личных данных: взлом учетной записи, автоматическое «угадывание» учетных данных

Еще одна реализация бот-сетей: кража учетных записей может осуществляться с использованием методов грубой силы, аналогичных тем, которые описаны в контексте мошенничества с кредитными картами. Боты могут попытаться ввести учетные данные из украденных баз данных или подобрать пароли на основе словаря наиболее распространенных вариантов и так далее. Опять же, решения искусственного интеллекта изначально хороши в выявлении автоматизированных процедур и могут быстро адаптироваться к новым вариантам такого мошенничества.

Обычно упомянутые выше виды мошенничества являются начальными этапами сложных схем, включающих в себя другие виды преступной деятельности, такие как отмывание денег, инвестиционные мошенничества, страховые мошенничества и так далее.

Как использовать машинное обучение для обнаружения мошенничества?

Внедрение машинного обучения для обнаружения мошенничества можно разбить на последовательность шагов. Для описания этого процесса мы будем использовать в качестве примера финансовое мошенничество, поскольку это один из самых популярных видов мошенничества, с которым сталкивается бизнес. Однако с минимальными корректировками эту схему можно применить для выявления мошенничества и в других отраслях. Для ясности мы будем чаще всего ссылаться на контролируемое обучение как на пример использования машинного обучения для обнаружения мошенничества.

1. Предоставление исходных данных

Обучение ИИ включает в себя подачу входной информации в систему машинного обучения для создания базовой функциональной модели, которая будет постоянно улучшаться. Для контролируемого обучения исходные данные должны быть предварительно обработаны и структурированы. В частности, его следует пометить как хороший, когда речь идет о законных операциях, и как плохой, когда он связан с известным мошенничеством. Обучение без учителя позволяет обнаружить закономерности в неструктурированной информации. 

2. Извлечение соответствующих параметров

В контексте выявления финансового мошенничества наиболее распространенными параметрами исходных данных являются: 

• количество и частота последовательных транзакций;
• стоимость каждой сделки;
• платежная система и другая информация, связанная с кредитными картами;
• тип приобретаемого товара или услуги.

Например, когда популярная схема мошенничества предполагает заказ определенного продукта, а затем требование возврата денег или возврата платежа из-за предполагаемых проблем с качеством или неудачных поставок, известные случаи такого мошенничества будут разбиты на отдельные параметры и проанализированы как входные данные.

Еще одна полезная информация для обнаружения мошенничества с помощью машинного обучения — это данные, связанные с пользователем, которые включают в себя:

• диапазоны IP-адресов;
• обнаружено использование VPN или других прокси-сервисов;
• идентификаторы оборудования, такие как MAC-адреса;
• различные данные, связанные с программным обеспечением, такие как название и версия ОС, веб-браузер и т. д.

Большее количество входных данных требует больше ресурсов для обработки, но приводит к созданию более точной модели, способной обнаруживать больше типов мошенничества.

3. Выполнение управления правилами

Результатом анализа исходных данных являются конкретные правила, определяющие метод выявления случаев мошенничества. Базовые правила подразумевают один параметр: если он совпадает, действие будет отмечено как потенциальное мошенничество. Например, если определенный диапазон IP-адресов связан с предыдущим мошенничеством, правило пометит его как потенциально нежелательное. В результате любой IP-адрес, принадлежащий указанному диапазону, может быть автоматически заблокирован или помечен как потенциальный источник мошеннической деятельности.

Однако большинство алгоритмов обнаружения мошенничества используют сложные правила, основанные на нескольких параметрах, что повышает точность и снижает вероятность ложноположительного срабатывания. Каждому параметру можно связать потенциальное значение точности и определенные пороговые значения для срабатывания соответствующего правила. При контролируемом обучении инженеры могут просматривать и настраивать их после заранее определенного количества циклов. 

4. Обучение, оценка и настройка модели

Модель обнаружения мошенничества может запускаться несколько раз на соответствующих исторических данных с выбранным набором правил для принятия решений. Большее количество прогонов или циклов повышает точность модели и позволяет ей находить больше закономерностей. Тестирование «реальной» производительности модели на ранее неизвестных данных — важнейший этап создания решения для обнаружения мошенничества на базе искусственного интеллекта. Это позволяет инженерам пересмотреть и доработать правила и настроить модель с учетом особенностей конкретного бизнеса и отрасли. Затем специалисты должны беспрепятственно интегрировать модель ML как индивидуальное решение в цифровую инфраструктуру клиента. 

Преимущества обнаружения мошенничества с использованием машинного обучения

Компьютеры отлично подходят для обработки и анализа больших объемов информации, поэтому они невероятно эффективны в обнаружении мошенничества. Вот несколько преимуществ использования AI и ML для этой цели:

• Повышенная скорость и эффективность . ИИ использует оборудование, способное выполнять миллиарды инструкций в секунду, что далеко превосходит человеческие возможности. При достаточном объеме исходных данных искусственный интеллект быстро учится обнаруживать закономерности, характерные для большинства мошенничеств. Это позволяет обнаруживать угрозы мошенничества в режиме реального времени и немедленно реагировать на них.
• Меньшее участие человека . Для такой ответственной задачи, как обнаружение мошенничества, решения, принимаемые ИИ, должны быть перепроверены и доработаны экспертами. Тем не менее, компьютеры обеспечивают значительную экономию времени, выполняя всю тяжелую работу и предоставляя результаты для ручной проверки. Это преимущество позволяет руководителям избавить персонал от монотонной и утомительной деятельности и направить специалистов на более творческие и требующие навыков задачи. 
• Лучшая точность . Благодаря способности обрабатывать большие наборы данных решения искусственного интеллекта и машинного обучения могут делать выводы с более высокой степенью уверенности. Дальнейшее обучение под руководством экспертов дополнительно улучшает обнаружение мошенничества за счет увеличения вероятности и уменьшения ложных срабатываний.
• Более высокий потенциал обучения . Опять же, превосходство ИИ в обработке информации дает ему больше преимуществ по сравнению с людьми-аналитиками. Ученые, работающие с данными, просто должны продолжать подавать новые данные в системы машинного обучения, чтобы улучшить модели обнаружения мошенничества с помощью машинного обучения .
• Экономия затрат . Поскольку искусственный интеллект и машинное обучение значительно превосходят возможности человеческого персонала, эти технологии представляют собой гораздо более экономичное решение проблемы мошенничества. Кроме того, они обладают превосходной масштабируемостью, позволяющей соответствовать меняющимся требованиям бизнеса. По сравнению с управлением персоналом увеличение масштаба ИИ-решения обходится дешевле и требует меньше хлопот, чем поиск и найм нового специалиста по выявлению мошенничества.
• Круглосуточная доступность . В отличие от человеческого персонала, компьютеры могут работать 24/7 и не требуют праздников или выходных. Конечно, инфраструктура искусственного интеллекта относительно сложна и требует периодического обслуживания, а также обновления оборудования и программного обеспечения. Однако эти операции можно специально спланировать и выполнять поэтапно, чтобы минимизировать время простоя и обеспечить бесперебойное обнаружение мошенничества с помощью машинного обучения .

Хотя решения на основе искусственного интеллекта требуют финансовых вложений и навыков многих специалистов для создания и обучения моделей обучения, все эти усилия и ресурсы в конечном итоге окупаются. По мере того как ИИ учится и развивается, его полезные эффекты становятся более мощными, и он получает больше преимуществ по сравнению с обнаружением мошенничества вручную. Например, искусственный интеллект становится более точным и способным функционировать при меньшем контроле.

Недостатки машинного обучения в предотвращении мошенничества

Хотя машинное обучение доказало свою высокую эффективность в таких сложных задачах, как обнаружение мошенничества, у него также есть несколько недостатков. В некоторых случаях они могут настолько негативно повлиять на точность выводов искусственного интеллекта, что предпочтительнее будет ручной анализ и мнение человека.

• Сложность реализации . Обучение решениям на основе искусственного интеллекта, как и обучение студентов, требует времени, навыков и знаний экспертов. Неконтролируемый подход к машинному обучению, основанный на алгоритмах глубокого обучения, с годами приобрел популярность благодаря своей автономной природе и значительному повышению точности. Однако многие эксперты по-прежнему поддерживают контролируемый подход, требующий постоянного участия человека.
• Возможна неисправность и ложное срабатывание . При использовании анализа на основе ИИ всегда существует вероятность ложноположительного результата. В контексте выявления мошенничества это означает, что законная деятельность помечается как незаконная, что может повлечь за собой ограничительные меры против невиновного клиента. Если система МО не осознает, что ее решение неверно, она может запустить цепную реакцию дальнейших ложных обнаружений, которые снижают точность и делают выбор ИИ все более ненадежным.
• Некоторым моделям не хватает прозрачности и контроля . В зависимости от типа модели ML могут быть более или менее автоматизированными и точными. Например, модели «черного ящика» обычно обеспечивают лучшую автоматизацию и точность, но не предлагают специалистам много возможностей для интерпретации результатов и настройки правил. Напротив, модели «белого ящика» более прозрачны и линейны, поэтому они обеспечивают четко интерпретируемые связи между входными переменными, правилами обнаружения мошенничества и выходными результатами.