Περιεχόμενα Άρθρου
Αξιοποιώντας την οπτικοποίηση δεδομένων, οι τράπεζες μπορούν να βελτιώσουν σημαντικά τις δυνατότητές τους ανίχνευσης απάτης. Μίλησα με τον Atmajitsinh Gohil, συγγραφέα του R Data Visualization Cookbookσχετικά με τις τεχνολογίες που μεταμορφώνουν την καταπολέμηση της οικονομικής απάτης.
Σύμφωνα με το Έκθεση Nilsonοι παγκόσμιες απώλειες πιστωτικών καρτών προβλέπεται να φτάσουν τα 43 δισεκατομμύρια δολάρια έως το 2026. Atmajitsinh Gohil, διάσημος συγγραφέας του R Data Visualization Cookbook, και ένας από τους κορυφαίους ειδικούς στα εργαλεία με δυνατότητα τεχνητής νοημοσύνης, πιστεύει ότι οι τεχνικές οπτικοποίησης δεδομένων είναι ζωτικής σημασίας για την καταπολέμηση της απάτης.
Ο Atmajitsinh έχει συνεργαστεί με χρηματοπιστωτικά ιδρύματα για να αξιολογήσει οικονομικά δεδομένα και να επινοήσει εργαλεία με δυνατότητα τεχνητής νοημοσύνης για τον εντοπισμό ανωμαλιών. Αυτά τα εργαλεία με δυνατότητα τεχνητής νοημοσύνης εντοπίζουν μοτίβα στα δεδομένα και εντοπίζουν πιθανούς απατεώνες. Η Gohil έχει αναπτύξει ιδιόκτητα εργαλεία οπτικοποίησης δεδομένων για τον εντοπισμό χρηματοοικονομικής απάτης, την προστασία των οικονομικών δεδομένων και τον εντοπισμό νέων και αναδυόμενων απειλών.
Του R Data Visualization Cookbook εμβαθύνει στη γλώσσα προγραμματισμού R, προσφέροντας πρακτικές γνώσεις που είναι απαραίτητες για όλους, από φοιτητές ανάλυσης δεδομένων έως υπεύθυνους χάραξης πολιτικής.
«Σήμερα, οι τράπεζες βασίζονται σε μεγάλο βαθμό σε μοντέλα μηχανικής μάθησης που εντοπίζουν το έγκλημα αναλύοντας σύνολα δεδομένων», είπε ο Gohil. «Το ποσοστό απάτης σε αυτά τα σύνολα δεδομένων είναι πολύ μικρό, γεγονός που καθιστά τον εντοπισμό δύσκολο».
Αυτή τη στιγμή εργάζεται στην επικύρωση μοντέλων μηχανικής εκμάθησης για τις μεγαλύτερες τράπεζες του κόσμου. Σύμφωνα με τον Gohil, οι εγκληματίες χρησιμοποιούν διάφορες τακτικές, όπως η απόκτηση χακαρισμένων πληροφοριών πελατών από τον σκοτεινό ιστό, η μόχλευση γενετικής τεχνητής νοημοσύνης για phishing προσωπικών δεδομένων και το ξέπλυμα χρημάτων μέσω κρυπτονομισμάτων.
Ο Gohil έχει υψηλή εξειδίκευση στη μόχλευση της τεχνητής νοημοσύνης για τον μετριασμό των οικονομικών ζημιών, μια στρατηγική που έχει κερδίσει πρόσφατα έλξη μεταξύ των χρηματοπιστωτικών ιδρυμάτων. Για παράδειγμα, Mastercard εκτοξεύτηκε ένα μοντέλο παραγωγής τεχνητής νοημοσύνης για να βοηθήσει τις τράπεζες να αξιολογήσουν καλύτερα τις ύποπτες συναλλαγές στο δίκτυό τους.
Αυτός ο ιδιόκτητος αλγόριθμος εκπαιδεύεται σε δεδομένα από περίπου 125 δισεκατομμύρια συναλλαγές που περνούν από το δίκτυο καρτών της εταιρείας κάθε χρόνο. Κατά μέσο όρο, η τεχνολογία της Mastercard μπορεί να βελτιώσει τα ποσοστά ανίχνευσης απάτης κατά 20%, και σε ορισμένες περιπτώσεις, έχει οδηγήσει σε βελτιώσεις έως και 300%.
Πρόληψη του οικονομικού εγκλήματος
Σύμφωνα με τον Gohil, οι χρηματοπιστωτικές εταιρείες συλλέγουν τεράστιο όγκο δεδομένων από διάφορες συναλλαγές, συμπεριλαμβανομένων των μεταφορών χρημάτων και των δραστηριοτήτων σύνδεσης. Ο εντοπισμός των δόλιων δραστηριοτήτων περιλαμβάνει τη σύγκριση του προφίλ ενός ατόμου με ιστορικά δεδομένα για τον εντοπισμό ύποπτων μοτίβων.
Οι καινοτόμες τεχνικές οπτικοποίησης δεδομένων του Gohil διαδραματίζουν κρίσιμο ρόλο σε αυτή τη διαδικασία. «Η οπτικοποίηση μπαίνει στο παιχνίδι δημιουργώντας πίνακες εργαλείων που μπορούν να δείξουν πόσοι άνθρωποι συνδέονται, το φύλο τους, τις ηλικιακές ομάδες και πού συμβαίνει η απάτη», λέει ο Gohil. “Αυτό βοηθά στον εντοπισμό εάν η απάτη συγκεντρώνεται σε μια συγκεκριμένη δημογραφική ή περιοχή.”
Όταν τα μοντέλα απάτης δεν έχουν καλή απόδοση, οι τράπεζες κάνουν προσαρμογές και χρησιμοποιούν τεχνικές οπτικοποίησης για να συγκρίνουν παλιά και νέα μοντέλα.
«Μπορείτε να οπτικοποιήσετε δεδομένα για να δείτε την απόδοση πριν και μετά την αλλαγή. Αυτό βοηθά στην κατανόηση του εάν οι προσαρμογές μείωσαν τα ψευδώς θετικά ή βελτίωσαν τα ποσοστά ανίχνευσης», προσθέτει ο Gohil.
Οι κύριοι κίνδυνοι για τις τράπεζες
Καθώς η τεχνολογία προχωρά, το ίδιο κάνουν και οι μέθοδοι που χρησιμοποιούν οι εγκληματίες. «Οι απατεώνες προσαρμόζονται πολύ γρήγορα. Δουλεύουν επιθετικά για να σπάσουν το σύστημα, ειδικά με την τεχνητή νοημοσύνη που μπαίνει», προειδοποιεί ο Gohil. Για παράδειγμα, η τεχνολογία μπορεί να χρησιμοποιηθεί για τη δημιουργία πλαστών ταυτοτήτων ή άλλων παραπλανητικών τρόπων παραβίασης τραπεζικών συστημάτων.
Ένας από τους σημαντικότερους κινδύνους που αντιμετωπίζουν οι τράπεζες είναι η διατήρηση της εμπιστοσύνης των πελατών και η προστασία των δεδομένων τους. «Το να διατηρούμε τον πελάτη ευχαριστημένο και να διασφαλίζουμε ότι η ταυτότητά του δεν θα διαρρεύσει είναι σημαντικές ανησυχίες», σημειώνει ο Gohil.
Η τεχνολογία αναγνώρισης φωνής, που αναπτύχθηκε από τρίτους προμηθευτές, είναι μια τέτοια καινοτομία που βοηθά τις τράπεζες να εντοπίζουν δόλιες κλήσεις. Αυτά τα συστήματα μπορούν να αναλύσουν διάφορες εισόδους, όπως αριθμούς τηλεφώνου και γεωγραφικές τοποθεσίες, για να επισημάνουν ύποπτη δραστηριότητα.
«Η αναγνώριση φωνής μπορεί να προσδιορίσει εάν μια κλήση είναι δόλια με βάση διαφορετικές μεταβλητές στο μοντέλο», εξηγεί ο Gohil.
Το μέλλον της πρόληψης της απάτης
Οι απειλές που αντιμετωπίζουν οι τράπεζες εξελίσσονται συνεχώς. Τα email ηλεκτρονικού ψαρέματος, τα ανεπιθύμητα μηνύματα και οι ψεύτικες επικοινωνίες από CEO είναι μερικές μόνο από τις τακτικές που χρησιμοποιούν οι απατεώνες. Ο Gohil προειδοποιεί ότι οι τράπεζες πρέπει να παραμείνουν σε εγρήγορση και να υιοθετήσουν νέες τεχνολογίες για να προστατεύσουν τον εαυτό τους και τους πελάτες τους.
Χρησιμοποιώντας τις τεχνικές οπτικοποίησης δεδομένων του Gohil, οι χρηματοπιστωτικές εταιρείες μπορούν να υιοθετήσουν τεχνητή νοημοσύνη για να δημιουργήσουν σενάρια όπου εντοπίζουν πιθανές απειλές και λαμβάνουν προληπτικά μέτρα. Για παράδειγμα, η προσθήκη ετικετών στα email ως εσωτερικά ή προσωπικά βοηθά τις τράπεζες να παρακολουθούν τη ροή των πληροφοριών και να αποτρέπουν επιθέσεις phishing.
Ενώ πολλές τράπεζες διαθέτουν αποτελεσματικά εργαλεία για τον εντοπισμό ασυνήθιστων συμπεριφορών που μπορεί να υποδηλώνουν απάτη, αυτά τα εργαλεία δεν είναι τέλεια. Αυτός είναι ο λόγος για τον οποίο οι τεχνικές οπτικοποίησης δεδομένων του Gohil είναι ζωτικής σημασίας για τον εντοπισμό δόλιων προτύπων.
«Η προηγμένη τεχνολογία είναι απαραίτητη για τη διάκριση μεταξύ νόμιμων και κακόβουλων συναλλαγών», είπε. Οι χρηματοπιστωτικές εταιρείες μπορούν να αξιολογήσουν με ακρίβεια την αποτελεσματικότητα των συστημάτων ανίχνευσης απάτης μόνο μέσω της μόχλευσης των δεδομένων.
Πίστωση επιλεγμένης εικόνας: Eduardo Soares/Unsplash
VIA: DataConomy.com
