Blog o Ochronie Tożsamości Szczegoly

Szczegoly

  poprzedni wpis następny wpis  

2021-09-28 | Fellowes Polska SA

Oszustwa cyfrowe to jeden z najbardziej palących problemów, z jakimi boryka się sektor bankowy. Oszuści stosują szeroką gamę metod, aby atakować instytucje finansowe i ich klientów, a tendencje wzrostowe ilości oszustw wyraźnie pokazują, że istniejące rozwiązania im zapobiegające nie są wystarczająco odpowiednie. Ponadto trwająca pandemia Covid-19 znacząco pogorszyła te statystyki.

Algorytmy AI i ML skutecznie redukują statystyki oszustw

Algorytmy AI i ML skutecznie redukują statystyki oszustw (źródło: depositphotos.com)

Wiele banków stara się zastąpić swoje starsze systemy zapobiegania oszustwom bardziej zaawansowanymi rozwiązaniami wspieranymi przez sztuczną inteligencję (AI) i uczenie maszynowe (ML). Jednak wady tradycyjnych systemów zapobiegania oszustwom nie są w stanie zapobiec ich gwałtownemu wzrostowi. Dotychczas banki i instytucje finansowe i przedsiębiorstwa opierały się zasadniczo na dwóch metodach przeciwdziałania oszustwom: monitorowaniu i analizie podejrzanej aktywności oraz opartych na statystyce systemach automatycznej prewencji.

Największym problemem w pierwszym przypadku jest czas potrzebny na sprawdzenie transakcji pod kątem oszustw, co przy setkach tysięcy transakcji dziennie nie jest w pełni możliwe. I choć wiele banków i instytucji finansowych próbuje usprawnić procesy kontroli oszustw za pomocą zautomatyzowanych systemów opartych o wypracowane reguły, które odciążają analityków, to wobec nowych metod oszustw są one mało przydatne. Ponadto błędne oflagowanie legalnych transakcji wynikające z błędów predykcji algorytmów je analizujących, generuje dodatkowy, negatywny wpływ na zaufanie do instytucji finansowej i tym samym obroty przedsiębiorstwa.

Pośrednicy i sprzedawcy poszukujący bardziej wydajnych i mniej kłopotliwych systemów zapobiegania oszustwom wykorzystują bardziej zaawansowane technologie. Rozwiązania oparte o sztuczną inteligencję i uczenie maszynowe mogą być kluczem do stworzenia skutecznych metod wykrywania cyberprzestępczości.

Sztuczna inteligencja i uczenie maszynowe są powszechnie znane ze względu na korzyści związane z zarządzaniem ryzykiem i obsługą klienta, a także ze względu na możliwości przeciwdziałania nadużyciom finansowym. Jak donoszą liczne badania ponad 60% pośredników finansowych uważa, że sztuczna inteligencja może skutecznie zapobiegać oszustwom, a ponad 80% z nich twierdzi, że ma ona kluczowe znaczenie w zapobieganiu nieuczciwym płatnościom.

Jeden z banków w Danii odnotował 50-procentowy wzrost wykrytych prób oszustwa po wdrożeniu systemu opartego na algorytmach uczenia maszynowego. Osiągnięto również 60-procentową redukcję ilości błędnego flagowania uczciwych transakcji już po kilku tygodniach od wdrożenia. Systemy oparte o AI i ML wciąż udoskonalają swoje techniki prewencji, co wyraźnie odróżnia je od tradycyjnych metod opartych o utarte i sprawdzone reguły.

Redukcja "fałszywych flag" jest również kluczowym obszarem, który może prowadzić do wzrostu zadowolenia wśród klientów, którzy są skłonni do protekcjonalnego traktowania banków i instytucji finansowych, które zbyt często uniemożliwiają przeprowadzenie transakcji płatniczych. Oszustwa finansowe nie zostaną zupełnie wyeliminowane przez systemu bezpieczeństwa oparte o AI i ML, ale mogą znacznie osłabić ich wpływ na konsumentów i minimalizować straty finansowe.

Wykrywanie oszustw za pomocą uczenia maszynowego staje się możliwe dzięki zdolności algorytmów ML do uczenia się na podstawie historycznych wzorców oszustw i rozpoznawania ich w przyszłych transakcjach. Wydają się one skuteczniejsze niż zespoły analityków i szybsze w przetwarzaniu informacji. Ponadto algorytmy ML są w stanie znaleźć wyrafinowane cechy oszustwa, których człowiek po prostu nie może wykryć.

Metody ML wykazują lepszą wydajność wraz ze wzrostem zbioru danych, do którego są dopasowane, co oznacza, że im więcej próbek nieuczciwych operacji, na których są one przeszkolone, tym lepiej rozpoznają oszustwa. Ta zasada nie ma zastosowania do systemów opartych na regułach. Ponadto analitycy zajmujący się badaniem danych muszą być świadomi zagrożeń związanych z szybkim skalowaniem modelu prewencji. Jeśli model nie wykryje oszustwa lub nieprawidłowo je oznaczy, w przyszłości będzie to prowadzić do zaburzenia struktury funkcjonowania przedsiębiorstwa.

Wszelkie innowacje w sektorze FinTech zawsze wymagają czasu i nakładu pracy, aby zostały wdrożone i przynosiły rezultaty odpowiadające oczekiwaniom klientów. Chociaż techniki zapobiegania oszustwom wymagają wielu zmian w infrastrukturze i sposobie gromadzenia i przetwarzania danych, a także ich odpowiedniego zabezpieczenia i przygotowania do użycia, zdecydowanie warto w nie zainwestować. I choć pierwsze kroki w kierunku wdrożenia technik AI i ML do wykrywania oszustw nie będą łatwe, a ich wykorzystanie będzie rosło z roku na rok, to rezultatem będzie malejąca ilość skarg klientów i zwiększanie lojalności wobec instytucji świadczących usługi finansowe.

Dopóki będą istniały systemy transakcji płatniczych on-line bez użycia kart, sektor bankowy i handlu detalicznego będą podatne na wiele metod coraz to nowszych oszustw. Ponieważ "stare" algorytmy oparte na regułach do wykrywania oszustw odchodzą w przeszłość, to nowe algorytmy sztucznej inteligencji i uczenia maszynowego do wykrywania i zapobiegania oszustwom będą przynosiły przedsiębiorstwom większą wartość i wydajność przekładającą się bezpośrednio na realne dochody.