La protezione dalle frodi è una corsa contro scala.
Advert esempio, la rete di Mastercard elabora circa 160 miliardi di transazioni all’anno e registra picchi di 70.000 transazioni al secondo durante i periodi di punta (come la corsa alle festività di dicembre). Trovare gli acquisti fraudolenti tra questi, senza inseguire falsi allarmi, è un compito incredibile, motivo per cui i truffatori sono riusciti a ingannare il sistema.
Ma ora, sofisticati modelli di intelligenza artificiale possono analizzare le singole transazioni, individuando quelle che sembrano sospette, in pochi millisecondi. Questo è il cuore della piattaforma antifrode di punta di Mastercard, Choice Intelligence Professional (DI Professional).
“DI Professional esamina in modo specifico ogni transazione e il rischio advert essa associato”, ha affermato Johan Gerber, EVP delle soluzioni di sicurezza di Mastercard, in un recente VB Oltre il podcast pilota. “Il problema fondamentale che stiamo cercando di risolvere qui è la valutazione in tempo reale.”
Come funziona DI Professional
DI Professional di Mastercard è stato progettato per latenza e velocità. Dal momento in cui un consumatore seleziona una carta o fa clic su “acquista”, la transazione scorre attraverso il livello di orchestrazione di Mastercard, torna alla rete e quindi alla banca emittente. In genere, ciò avviene in meno di 300 millisecondi.
Alla wonderful, è la banca a prendere la decisione di approvare o rifiutare, ma la qualità di story decisione dipende dalla capacità di Mastercard di fornire un punteggio di rischio preciso e contestualizzato in base alla possibilità che la transazione possa essere fraudolenta. A complicare l’intero processo è il fatto che non cercano anomalie di per sé; cercano transazioni che, in base alla progettazione, siano simili al comportamento dei consumatori.
Al centro di DI Professional c’è una rete neurale ricorrente (RNN) che Mastercard definisce un’architettura di “raccomandatore inverso”. Questo tratta il rilevamento delle frodi come un problema di raccomandazione; la RNN esegue un esercizio di completamento del modello per identificare il modo in cui i commercianti si relazionano tra loro.
Come ha spiegato Gerber: “Ecco dove sono stati prima, ecco dove sono adesso. Ha senso per loro? Avremmo consigliato loro questo commerciante?”
Chris Merz, vicepresidente senior della scienza dei dati presso MasterCard, ha spiegato che il problema della frode può essere suddiviso in due sottocomponenti: il modello di comportamento di un utente e il modello di comportamento di un truffatore. “E stiamo cercando di mettere insieme queste due cose”, ha detto.
Un’altra “tecnica accurata”, ha affermato, è il modo in cui Mastercard affronta la sovranità dei dati, o quando i dati sono soggetti alle leggi e alle strutture di governance nella regione in cui vengono raccolti, elaborati o archiviati. Per mantenere i dati “sul terreno”, il crew antifrode dell’azienda si affida a dati aggregati, “completamente anonimi”, che non sono sensibili advert alcun problema di privateness e quindi possono essere condivisi con modelli a livello globale.
“Quindi è ancora possibile che i modelli globali influenzino ogni decisione locale”, ha affermato Gerber. “Prendiamo un anno di conoscenze e le racchiudiamo in un’unica transazione in 50 millisecondi per dire sì o no, questo è positivo o questo è negativo.”
Truffare i truffatori
Se da un lato l’intelligenza artificiale aiuta le società finanziarie come Mastercard, dall’altro aiuta anche i truffatori; ora sono in grado di sviluppare rapidamente nuove tecniche e identificare nuove strade da sfruttare.
Mastercard sta reagendo coinvolgendo i criminali informatici sul loro territorio. Un modo per farlo è utilizzare gli “honeypot” o ambienti artificiali destinati essenzialmente a “intrappolare” i criminali informatici. Quando gli autori delle minacce pensano di avere un marchio legittimo, gli agenti di intelligenza artificiale interagiscono con loro nella speranza di accedere ai mule account utilizzati per incanalare denaro. Ciò diventa “estremamente potente”, ha affermato Gerber, perché i difensori possono applicare tecniche grafiche per determinare come e dove gli account mulo sono collegati agli account legittimi.
Perché alla wonderful, per ottenere il pagamento, i truffatori hanno bisogno di un account legittimo da qualche parte, collegato agli account mulo, anche se nascosto 10 livelli più in basso. Quando i difensori riescono a identificarli, possono mappare le reti di frode globali.
“È una cosa meravigliosa quando li combattiamo, perché ci causano già abbastanza dolore”, ha detto Gerber.
Ascolta il podcast per saperne di più su:
-
Come Mastercard ha creato un “malware sandbox” con Recorded Future;
-
Perché un documento sui requisiti di ingegneria della scienza dei dati (DSERD) period essenziale per allineare quattro crew di ingegneri separati;
-
L’importanza della “definizione incessante delle priorità” e del duro processo decisionale per andare oltre “mille fiori che sbocciano” verso progetti che abbiano effettivamente un forte impatto aziendale;
-
Perché un’implementazione dell’AI di successo dovrebbe comprendere tre fasi: ideazione, attivazione e implementazione, ma molte aziende saltano il secondo passaggio.
Ascolta e iscriviti Oltre il pilota SU Spotify, Mela o ovunque trovi i tuoi podcast.
