Fingerprint uvádí Fraud Score a hlásí, že při testu u zákazníka odhalil téměř o 50% více podvodů

Fingerprint uvedl na trh Fraud Score, prediktivní signál pro odhalování podvodů, který kombinuje informace o zařízeních se strojově učenými modely trénovanými na vlastních výsledcích každého zákazníka v oblasti podvodů. Společnost uvádí, že při přímém srovnání produkt odhalil téměř o 50 % více podvodů než stávající interní model jednoho zákazníka, aniž by se zvýšil počet blokovaných legitimních uživatelů.

Uvedení produktu řeší známý problém týmů řízení rizik: shromažďování signálů je snazší než jejich převod na spolehlivé rozhodnutí. Zařízení spojené s několika účty může naznačovat zneužívání propagačních nabídek, zatímco neznámé zařízení, které se pokouší přihlásit k zavedenému účtu, může vyžadovat jiné prověření. Fraud Score se má tyto rozdíly naučit na základě skutečných uživatelů, provozu a potvrzených výsledků dané organizace.

Co ukazuje uváděné zvýšení úspěšnosti odhalování

Hlavní uváděný výsledek Fingerprint se týká srovnání s interním modelem jednoho zákazníka. Společnost tvrdí, že Fraud Score odhalil téměř o 50 % více podvodů při zachování stejné míry blokování legitimních uživatelů. Tato druhá podmínka je podstatná: systém může zachytit více podezřelé aktivity jednoduše tím, že odmítne více provozu, může tím ale také odradit skutečné zákazníky.

Výsledek vychází z přímého srovnání s interním modelem jednoho zákazníka. Ukazuje přínos učení z podvodných vzorců konkrétní firmy při zachování stejné míry blokování legitimních uživatelů.

Tento nárůst vyjadřuje množství dodatečně odhalených podvodů. Jeho finanční hodnota závisí na tom, o jaké transakce jde a jak firma jednotlivé predikce využívá.

Samostatné modely pro různé typy podvodů

Základním konstrukčním principem Fraud Score je specializace predikcí podle typu podvodu. Fingerprint mezi podporované oblasti řadí platební podvody, převzetí účtů, zakládání více účtů, vytváření falešných účtů, zneužívání propagačních nabídek, zneužívání platformy a zneužívání obsahu.

Tyto kategorie představují odlišné chování i náklady pro firmy. Model pro odhalování platebních podvodů může obchodníkovi pomoci posoudit objednávku, zatímco model zaměřený na zneužívání propagačních nabídek může hledat opakované pokusy získat nabídku prostřednictvím více účtů. Proces zaměřený na převzetí účtu má zase jiný cíl: odhalit neoprávněný přístup, aniž by zbytečně narušoval přístup legitimního majitele účtu.

Zpětnou vazbu pro trénování poskytují výsledky u zákazníků. Místo toho, aby každá organizace musela vytvářet a provozovat vlastní predikční vrstvu, zajišťuje Fingerprint trénování a údržbu modelu a kombinuje signály ze zařízení se štítky, které poskytuje firma. Nové výsledky se využívají při následném opakovaném trénování, jak se mění provoz a vzorce podvodů u zákazníka.

Proto je kvalita této zpětné vazby důležitá. Model trénovaný na potvrzených výsledcích má hodnotnější podklady pro učení než model trénovaný na nerozlišeném seznamu podezřelých událostí. Pokud jsou štítky organizace neúplné nebo nekonzistentní, mohou se tato omezení promítnout i do výsledných predikcí.

Informace o zařízení poskytují kontext přesahující samotný účet

Platforma Fingerprint pro získávání informací o zařízeních kombinuje trvalou identifikaci s kontextovými signály o aktivitě na webu a mobilních zařízeních. Pomáhá firmám propojovat aktivitu napříč relacemi a zkoumat vzorce, které samotné údaje o účtu nemusí odhalit.

Katalog signálů Smart Signals společnosti zahrnuje ukazatele automatizace, zásahů do prohlížeče, virtuálních počítačů, proxy serverů, sítí VPN a nezvykle vysoké aktivity zařízení. Tyto signály poskytují kontext pro analýzu; samotné použití nástroje na ochranu soukromí ani neznámé prostředí nedokazuje podvodný úmysl.

Fraud Score k těmto důkazům přidává predikční vrstvu trénovanou na datech zákazníka. Rozdíl spočívá v tom, že systém nejprve rozpozná prostředí a poté vyhodnotí, jak vzorce v tomto prostředí souvisejí s výsledky konkrétní firmy v oblasti podvodů. Týmy mohou predikce používat přímo nebo je spolu s dalšími informacemi předávat do stávajícího rozhodovacího systému.

Tento přístup také překračuje rámec blokování identifikátoru, který už byl spojen se zneužíváním. Trénovaný model může vyhledávat kombinace signálů související s předchozími případy a případně tak firmě pomoci rozpoznat podobné chování ještě před dokončením další transakce.

Zpětná vazba prostřednictvím řídicího panelu, API a S3

Podle materiálů Fingerprint k uvedení produktu mohou zákazníci předávat výsledky týkající se podvodů prostřednictvím řídicího panelu, API nebo S3. Mohou spravovat štítky a analyzovat výkonnost modelu, zatímco predikce se doručují v odpovědích API Fingerprint.

Tato architektura zapadá do stávajících procesů řízení rizik. Rozhodovací systém může predikci využít spolu s dalšími kontrolami k automatickému schválení interakce, vyžádání dodatečného ověření nebo předání případu k posouzení.

Cílem průběžného opakovaného trénování je přizpůsobovat službu vyvíjejícím se způsobům zneužívání. Cyklus zpětné vazby stále závisí na tom, co se organizace dozví po události, včetně výsledků, které se mohou projevit až později. Součástí provozu systému proto zůstává průběžné sledování jeho výkonnosti.

Proč Flink chtěl víc než jen blokování ID návštěvníka

Součástí oznámení je vyjádření společnosti Flink. Její hlavní softwarový inženýr David Fennessey uvedl, že samotné blokování ID návštěvníků nestačilo proti sofistikovanějším podvodům. Popsal spolupráci se společností Fingerprint na modelu, který vychází z interní analýzy podvodů společnosti Flink a má pomáhat předcházet budoucím podvodům ještě před zadáním objednávky.

Zkušenost společnosti Flink ilustruje spolupráci, na níž je tato služba založena: firma poskytuje svou interní analýzu podvodů a Fingerprint tuto zpětnou vazbu využívá k vytváření a údržbě modelu přizpůsobeného vzorcům zneužívání, s nimiž se potýká.

Fraud Score přesouvá důraz od udržování jednotlivých signálů a pravidel k učení z vlastních výsledků firmy. Fingerprint zajišťuje trénování i opakované trénování modelu, zatímco týmy zabývající se podvody si ponechávají kontrolu nad tím, jak při rozhodování využívají predikce. Produkt je dostupný na stránce Fraud Score společnosti Fingerprint.