Прокрастинация. Лечение прокрастинаторов.

Использование машинного обучения в противодействии финансовому мошенничеству

Возможности Всемирной Сети по добыванию денег криминальным путем привлекают все больше киберпреступников. Воровство, отмывание денег, кражи личных данных, мобильное мошенничество — виды «отъема» денег могут быть самыми разными.

Наиболее велик масштаб мошенничества с кредитными картами. Происходит это примерно следующим образом. Мошенники, например, под видом сотрудников Сбербанка (номер телефона: 78007070070) звонят клиентам банка и обманным путем выманивают денежные средства. Согласно прогнозу международной консалтинговой компании McKinsey, к 2025 году убытки от мошенничества с картами по всему миру могут составить около 44 миллиардов долларов.

По мере того, как технологические достижения и криминальные схемы становятся все более изощренными, банки и финансовые учреждения используют возможности искусственного интеллекта для защиты своего бизнеса и улучшения качества обслуживания клиентов. Один из методов искусственного интеллекта — машинное обучение (Machine Learning, ML).

Способность к «самообучению»

Понятно, что вручную нереально определять набор критериев для маркировки подозрительных действий на таком уровне. Применение финансовых технологий, основанных на Больших данных (Big Data), позволяет создавать алгоритмы анализа, позволяющие распознавать и прогнозировать мошенничество.

Поскольку кибераферисты разрабатывают все более совершенные методы обхода правил — по новым, ранее неизвестным схемам, — недопустимо ограничиваться только имеющимися программами поиска «узких» мест и нарушений в системе. Здесь как раз и используется главная способность метода: машинное обучение способно самостоятельно «выучить» новые модели — без вмешательства человека.

Возможности машинного обучения

Большой объем транзакционных и клиентских данных, легко доступных в секторе финансовых услуг, делает его идеальным для применения сложных алгоритмов ML. Модели машинного обучения работают с десятками тысяч параметров. По мере накопления данных система становится все более интеллектуальной, что повышает общую эффективность системы.

Банки и финансовые учреждения могут автоматизировать анализ действий своих клиентов таким образом, чтобы в режиме реального времени фильтровать любые отклонения в поведении пользователя или текущих рабочих процессах. В данный момент, этим успешно занимается Тинькофф-Банк (номер телефона: 78005551534), чем существенно снижает риски для своих клиентов.

ML позволяет создавать модели, обладающие достаточным интеллектом для правильной классификации транзакций как законных или мошеннических. Соответственно, сокращается число ложных срабатываний — когда транзакции неправильно помечаются как мошеннические и отклоняются, а мошеннические могут быть пропущены. В результате финансовые потери снижаются, поддерживается доверие клиентов, улучшается качество обслуживания.

Как это работает

При обнаружении мошенничества используются два типа алгоритмов машинного обучения: контролируемое и неконтролируемое обучение. Не вдаваясь в подробности, можно отметить, что первый тип употребляет уже известные данные — проверенные и помеченные как мошеннические действия человека. Второй — имеет дело с наборами данных, которые не были отмечены, и сам определяет их внутреннюю структуру. Благодаря такому подходу, создается новый самообучающийся алгоритм поиска верного решения.

ML позволяет идентифицировать клиентов. Для распознавания лиц система анализирует фотографии, «запоминает» рисунок кровеносных сосудов на глазах — это позволяет не допустить злоумышленников к учетным записям пользователей. Отслеживать подозрительные транзакции позволяет анализ личных данных клиентов — дата рождения, место проживания и работы, финансовое положение, социальные связи, личные интересы (увлечения, путешествия и т.п.), а также сравнение «правильного» и «неправильного» поведения клиентов.

Финансовая безопасность заключается не только в выявлении случаев мошенничества, но, главным образом, в его предотвращении. Подсчитано, что на каждом долларе, потерянном в результате прямого хищения, компании теряют намного больше — 2,67 доллара. Крупнейшие банки, кредитные организации, платежные сервисы уже в полной мере используют ML для обеспечения финансовой безопасности.

Например, платежная система PayPal использует ML для выявления недостоверных операций. Это позволило снизить количество случаев мошенничества до 0,32 процентов (при стандартных для финансовой отрасли 1,32 процентах).

Системы, использующие ML, успешно работают в таких финансовых организациях, как Центральный Банк РФ, Тинькофф-Банк, Deutsche Bank AG, Citibank, Goldman Sachs, Сбербанк, Газпромбанк и др.