تطلق Fingerprint منتج Fraud Score، معلنةً رصد احتيال أكثر بنحو 50% في اختبار مع أحد العملاء

أطلقت Fingerprint منتج Fraud Score، وهو إشارة تنبؤية إلى الاحتيال تجمع بين ذكاء الأجهزة ونماذج التعلم الآلي المدرَّبة على نتائج الاحتيال الخاصة بكل عميل. وتفيد الشركة بأن المنتج رصد احتيالًا أكثر بنحو 50% من النموذج الداخلي الحالي لدى أحد العملاء في تقييم مباشر، من دون زيادة عدد المستخدمين الشرعيين الذين حُظروا.

تعالج هذه الخطوة مشكلة مألوفة لدى فرق إدارة المخاطر: فجمع المؤشرات أسهل من تحويلها إلى قرار موثوق. قد يشير ارتباط جهاز بعدة حسابات إلى إساءة استخدام العروض الترويجية، في حين أن محاولة جهاز غير مألوف الدخول إلى حساب قائم قد تستدعي تحقيقًا من نوع آخر. وقد صُمم Fraud Score لتعلُّم هذه الفروق من المستخدمين الفعليين للمؤسسة وحركة الزيارات والنتائج المؤكدة.

ما الذي تكشفه الزيادة المُعلنة في معدل الرصد

تتعلق النتيجة الأبرز التي أعلنتها Fingerprint بمقارنة مع النموذج الداخلي لدى أحد العملاء. وتقول الشركة إن Fraud Score رصد احتيالًا أكثر بنحو 50% مع إبقاء حظر المستخدمين الشرعيين عند المستوى نفسه. وهذا الشرط الثاني مهم: إذ يمكن لنظام ما رصد مزيد من الأنشطة المشبوهة بمجرد رفض مزيد من حركة الزيارات، لكن ذلك قد يؤدي أيضًا إلى إبعاد عملاء حقيقيين.

تستند النتيجة إلى مقارنة مباشرة مع النموذج الداخلي لدى أحد العملاء. وهي تُظهر قيمة التعلّم من أنماط الاحتيال في ذلك النشاط التجاري مع الحفاظ على مستوى حظر المستخدمين الشرعيين دون تغيير.

تقيس هذه الزيادة مقدار الاحتيال الإضافي الذي جرى رصده. وتعتمد قيمتها المالية على المعاملات المعنية وكيفية استخدام النشاط التجاري لكل تنبؤ.

نماذج منفصلة لمشكلات الاحتيال المختلفة

يتمثل الخيار التصميمي الأساسي في Fraud Score في تخصيص التنبؤات بحسب نوع الاحتيال. وتدرج Fingerprint الاحتيال في المدفوعات، والاستيلاء على الحسابات، واستخدام حسابات متعددة، وإنشاء حسابات وهمية، وإساءة استخدام العروض الترويجية، وإساءة استخدام المنصة، وإساءة استخدام المحتوى ضمن أنواع الاحتيال التي تستهدفها الخدمة.

تصف هذه الفئات سلوكيات وتكاليف تجارية مختلفة. فقد يساعد نموذج الاحتيال في المدفوعات التاجر على تقييم طلب، بينما قد يبحث نموذج إساءة استخدام العروض الترويجية عن محاولات متكررة للمطالبة بعرض من خلال حسابات متعددة. أما سير العمل الخاص بالاستيلاء على الحسابات، فله هدف مختلف: رصد الدخول غير المصرح به من دون إرباك صاحب الحساب الشرعي بلا داعٍ.

توفر نتائج العملاء الملاحظات اللازمة للتدريب. وبدلًا من مطالبة كل مؤسسة ببناء طبقة التنبؤ الخاصة بها وتشغيلها، تتولى Fingerprint تدريب النماذج وصيانتها، وتجمع بين إشارات أجهزتها والتصنيفات التي يقدمها النشاط التجاري. وتُستخدم النتائج الجديدة في عمليات إعادة التدريب اللاحقة مع تغيّر حركة الزيارات وأنماط الاحتيال لدى العميل.

لذلك تكتسب جودة هذه الملاحظات أهمية كبيرة. فالنموذج المدرَّب على نتائج مؤكدة يستفيد من إشراف أكثر فائدة من نموذج دُرّب على قائمة غير مصنفة من الأحداث المشبوهة. وإذا كانت تصنيفات المؤسسة غير مكتملة أو غير متسقة، فقد تعكس التنبؤات الناتجة هذه القيود.

يوفر ذكاء الأجهزة سياقًا يتجاوز الحساب

تجمع منصة ذكاء الأجهزة لدى Fingerprint بين تحديد الهوية المستمر والإشارات السياقية المتعلقة بالنشاط على الويب والأجهزة المحمولة. ويتمثل دورها في مساعدة الأنشطة التجارية على ربط الأنشطة عبر الجلسات وفحص الأنماط التي قد لا تكشفها تفاصيل الحساب وحدها.

يضم كتالوج Smart Signals لدى الشركة مؤشرات على الأتمتة، والتلاعب بالمتصفح، والأجهزة الافتراضية، والخوادم الوكيلة، والشبكات الخاصة الافتراضية (VPN)، والنشاط المرتفع على نحو غير معتاد للأجهزة. وتوفر هذه الإشارات سياقًا للتحليل؛ فاستخدام أداة لحماية الخصوصية أو الاتصال من بيئة غير مألوفة لا يثبت بحد ذاته وجود نية احتيالية.

يضيف Fraud Score طبقة تنبؤ مدرَّبة على بيانات العميل إلى هذه الأدلة. والفرق هنا هو بين التعرف على بيئة ما وتقييم مدى ارتباط الأنماط فيها بنتائج الاحتيال الخاصة بنشاط تجاري بعينه. ويمكن للفرق استخدام التنبؤات مباشرة أو إدراجها في نظام اتخاذ القرار الحالي إلى جانب معلوماتها الأخرى.

يتجاوز هذا النهج أيضًا حظر مُعرّف سبق ربطه بإساءة الاستخدام. إذ يمكن لنموذج مدرَّب البحث عن مجموعات من الإشارات المرتبطة بحالات سابقة، ما قد يساعد النشاط التجاري على التعرف على سلوك مشابه قبل إتمام المعاملة التالية.

حلقة تغذية راجعة عبر لوحة التحكم وAPI وS3

وفقًا لمواد الإطلاق التي نشرتها Fingerprint، يستطيع العملاء تقديم نتائج الاحتيال عبر لوحة التحكم أو API أو S3. كما يمكنهم إدارة التصنيفات وتحليل أداء النموذج، فيما تُقدَّم التنبؤات عبر استجابات API الخاصة بـFingerprint.

تلائم هذه البنية سير العمل القائم لإدارة المخاطر. إذ يمكن لمحرك اتخاذ القرار استخدام التنبؤ إلى جانب الفحوص الأخرى للموافقة على تفاعل، أو طلب تحقق إضافي، أو إحالته للمراجعة.

تهدف إعادة التدريب المستمرة إلى جعل الخدمة قادرة على الاستجابة لأساليب إساءة الاستخدام المتغيرة. ومع ذلك، تظل دورة التغذية الراجعة معتمدة على ما تتوصل إليه المؤسسة بعد وقوع الحدث، بما في ذلك النتائج التي قد لا تتضح إلا لاحقًا. لذا تظل مراقبة أداء النموذج بمرور الوقت جزءًا من تشغيل النظام.

لماذا أرادت Flink أكثر من مجرد حظر معرّفات الزوار

يتضمن الإعلان إفادة من Flink، حيث قال ديفيد فينيسي، كبير مهندسي البرمجيات فيها، إن حظر معرّفات الزوار وحدها لم يكن كافيًا للتصدي لعمليات إساءة الاستخدام الأكثر تطورًا. ووصف تعاونه مع Fingerprint في تطوير نموذج يستند إلى تحليل Flink الداخلي للاحتيال، للمساعدة في وقف إساءة الاستخدام مستقبلًا قبل تقديم الطلب.

توضح تجربة Flink طبيعة التعاون الذي تقوم عليه الخدمة: إذ تسهم الشركة بتحليلها الداخلي للاحتيال، وتستخدم Fingerprint هذه الملاحظات لبناء نموذج وصيانته بما يتناسب مع أنماط إساءة الاستخدام لديها.

تنقل Fraud Score التركيز من صيانة المؤشرات والقواعد الفردية إلى التعلّم من النتائج الفعلية لأعمال الشركة. وتتولى Fingerprint التدريب وإعادة التدريب، فيما تحتفظ فرق مكافحة الاحتيال بالتحكم في كيفية الاستناد إلى التنبؤات عند اتخاذ قراراتها. ويتوفر المنتج عبر صفحة Fraud Score التابعة لـ Fingerprint.