Η Fingerprint λανσάρει το Fraud Score και αναφέρει σχεδόν 50% περισσότερες περιπτώσεις απάτης που εντοπίστηκαν σε δοκιμή με πελάτη

Η Fingerprint λανσάρει το Fraud Score, ένα προγνωστικό σήμα απάτης που συνδυάζει πληροφορίες για τις συσκευές με μοντέλα μηχανικής μάθησης, εκπαιδευμένα με βάση τα δεδομένα κάθε πελάτη για επιβεβαιωμένες περιπτώσεις απάτης. Η εταιρεία αναφέρει ότι, σε άμεση σύγκριση, το προϊόν εντόπισε σχεδόν 50% περισσότερες περιπτώσεις απάτης από το υφιστάμενο εσωτερικό μοντέλο ενός πελάτη, χωρίς να αυξηθούν οι αποκλεισμοί νόμιμων χρηστών.

Το λανσάρισμα αντιμετωπίζει ένα γνώριμο πρόβλημα για τις ομάδες διαχείρισης κινδύνου: είναι ευκολότερο να συλλέγεις σήματα παρά να τα μετατρέπεις σε αξιόπιστες αποφάσεις. Μια συσκευή που συνδέεται με πολλούς λογαριασμούς μπορεί να υποδηλώνει κατάχρηση προωθητικών ενεργειών, ενώ μια άγνωστη συσκευή που επιχειρεί να αποκτήσει πρόσβαση σε έναν καθιερωμένο λογαριασμό μπορεί να δικαιολογεί διαφορετική διερεύνηση. Το Fraud Score έχει σχεδιαστεί ώστε να μαθαίνει να διακρίνει αυτές τις περιπτώσεις με βάση τους πραγματικούς χρήστες, την κίνηση και τα επιβεβαιωμένα αποτελέσματα ενός οργανισμού.

Τι δείχνει η αναφερόμενη αύξηση στον εντοπισμό απάτης

Το βασικό αποτέλεσμα που ανακοινώνει η Fingerprint αφορά τη σύγκριση με το εσωτερικό μοντέλο ενός πελάτη. Η εταιρεία αναφέρει ότι το Fraud Score εντόπισε σχεδόν 50% περισσότερες περιπτώσεις απάτης, με τον ίδιο αριθμό αποκλεισμών νόμιμων χρηστών. Αυτή η δεύτερη συνθήκη έχει σημασία: ένα σύστημα μπορεί να εντοπίζει περισσότερη ύποπτη δραστηριότητα απλώς απορρίπτοντας περισσότερη κίνηση, όμως έτσι μπορεί να απομακρύνει και πραγματικούς πελάτες.

Το αποτέλεσμα προκύπτει από άμεση σύγκριση με το εσωτερικό μοντέλο ενός πελάτη. Δείχνει την αξία της μάθησης από τα μοτίβα απάτης της συγκεκριμένης επιχείρησης, με σταθερό τον αριθμό των αποκλεισμών νόμιμων χρηστών.

Η αύξηση αφορά τις επιπλέον περιπτώσεις απάτης που εντοπίστηκαν. Η οικονομική της αξία εξαρτάται από τις συναλλαγές που εμπλέκονται και από τον τρόπο με τον οποίο η επιχείρηση αξιοποιεί κάθε πρόβλεψη.

Ξεχωριστά μοντέλα για διαφορετικά είδη απάτης

Βασική σχεδιαστική επιλογή του Fraud Score είναι η εξειδίκευση των προβλέψεων ανά είδος απάτης. Η Fingerprint αναφέρει ότι το σύστημα υποστηρίζει στόχους όπως η απάτη στις πληρωμές, η κατάληψη λογαριασμών, η χρήση πολλαπλών λογαριασμών, η δημιουργία ψεύτικων λογαριασμών, η κατάχρηση προωθητικών ενεργειών, η κατάχρηση πλατφορμών και η κατάχρηση περιεχομένου.

Αυτές οι κατηγορίες περιγράφουν διαφορετικές συμπεριφορές και επιχειρηματικό κόστος. Ένα μοντέλο για την απάτη στις πληρωμές μπορεί να βοηθήσει έναν έμπορο να αξιολογήσει μια παραγγελία, ενώ ένα μοντέλο για την κατάχρηση προωθητικών ενεργειών μπορεί να αναζητά επανειλημμένες προσπάθειες εξαργύρωσης μιας προσφοράς μέσω πολλών λογαριασμών. Η ροή εργασιών για τον εντοπισμό κατάληψης λογαριασμού έχει διαφορετικό στόχο: να ανιχνεύει μη εξουσιοδοτημένη πρόσβαση χωρίς να παρεμποδίζει άσκοπα τον νόμιμο κάτοχο του λογαριασμού.

Τα αποτελέσματα των πελατών παρέχουν την ανατροφοδότηση για την εκπαίδευση. Αντί να ζητά από κάθε οργανισμό να δημιουργήσει και να λειτουργεί το δικό του επίπεδο πρόβλεψης, η Fingerprint αναλαμβάνει την εκπαίδευση και τη συντήρηση των μοντέλων, συνδυάζοντας τα σήματα των συσκευών της με τις ετικέτες που παρέχει η επιχείρηση. Τα νέα αποτελέσματα τροφοδοτούν τις επόμενες επανεκπαιδεύσεις, καθώς αλλάζουν η κίνηση και τα μοτίβα απάτης του πελάτη.

Γι’ αυτό έχει σημασία η ποιότητα αυτής της ανατροφοδότησης. Ένα μοντέλο που εκπαιδεύεται με επιβεβαιωμένα αποτελέσματα λαμβάνει χρησιμότερη καθοδήγηση από ένα μοντέλο που εκπαιδεύεται με έναν αδιαφοροποίητο κατάλογο ύποπτων συμβάντων. Αν οι ετικέτες ενός οργανισμού είναι ελλιπείς ή ασυνεπείς, οι προβλέψεις που προκύπτουν μπορεί να αντανακλούν αυτούς τους περιορισμούς.

Οι πληροφορίες για τις συσκευές προσφέρουν πλαίσιο πέρα από τον λογαριασμό

Η πλατφόρμα πληροφοριών συσκευών της Fingerprint συνδυάζει τη διαρκή ταυτοποίηση με πληροφορίες για το πλαίσιο της δραστηριότητας στον ιστό και σε κινητές συσκευές. Στόχος της είναι να βοηθά τις επιχειρήσεις να συσχετίζουν δραστηριότητα μεταξύ διαφορετικών περιόδων σύνδεσης και να εξετάζουν μοτίβα που μπορεί να μην αποκαλύπτουν από μόνα τους τα στοιχεία του λογαριασμού.

Ο κατάλογος Smart Signals της εταιρείας περιλαμβάνει ενδείξεις αυτοματοποίησης, παραποίησης προγράμματος περιήγησης, εικονικών μηχανών, διακομιστών μεσολάβησης, VPN και ασυνήθιστα υψηλής δραστηριότητας συσκευών. Αυτά τα σήματα παρέχουν πλαίσιο για την ανάλυση· η χρήση εργαλείου προστασίας της ιδιωτικότητας ή ενός άγνωστου περιβάλλοντος δεν αποδεικνύει από μόνη της δόλια πρόθεση.

Το Fraud Score προσθέτει σε αυτά τα στοιχεία ένα επίπεδο προβλέψεων εκπαιδευμένο με βάση τα δεδομένα του πελάτη. Η διαφορά έγκειται στο ότι άλλο είναι να αναγνωρίζεις ένα περιβάλλον και άλλο να αξιολογείς πώς σχετίζονται τα μοτίβα σε αυτό το περιβάλλον με τις περιπτώσεις απάτης μιας συγκεκριμένης επιχείρησης. Οι ομάδες μπορούν να χρησιμοποιούν απευθείας τις προβλέψεις ή να τις ενσωματώνουν σε ένα υφιστάμενο σύστημα λήψης αποφάσεων, μαζί με τις υπόλοιπες πληροφορίες τους.

Η προσέγγιση δεν περιορίζεται επίσης στον αποκλεισμό ενός αναγνωριστικού που έχει ήδη συσχετιστεί με κατάχρηση. Ένα εκπαιδευμένο μοντέλο μπορεί να αναζητά συνδυασμούς σημάτων που συνδέονται με προηγούμενα περιστατικά, βοηθώντας ενδεχομένως μια επιχείρηση να αναγνωρίσει παρόμοια συμπεριφορά προτού ολοκληρωθεί η επόμενη συναλλαγή.

Ένας κύκλος ανατροφοδότησης μέσω του πίνακα ελέγχου, του API και του S3

Σύμφωνα με το υλικό της Fingerprint για το λανσάρισμα, οι πελάτες μπορούν να παρέχουν αποτελέσματα σχετικά με την απάτη μέσω του πίνακα ελέγχου, του API ή του S3. Μπορούν να διαχειρίζονται τις ετικέτες και να αναλύουν την απόδοση του μοντέλου, ενώ οι προβλέψεις παρέχονται μέσω των αποκρίσεων του API της Fingerprint.

Αυτή η αρχιτεκτονική εντάσσεται στις υφιστάμενες ροές εργασιών διαχείρισης κινδύνου. Μια μηχανή λήψης αποφάσεων μπορεί να αξιοποιεί την πρόβλεψη μαζί με άλλους ελέγχους, για να εγκρίνει μια ενέργεια, να ζητήσει πρόσθετη επαλήθευση ή να την παραπέμψει για εξέταση.

Η συνεχής επανεκπαίδευση αποσκοπεί στο να ανταποκρίνεται η υπηρεσία στις εξελισσόμενες μορφές κατάχρησης. Ο κύκλος ανατροφοδότησης εξακολουθεί να εξαρτάται από όσα μαθαίνει ο οργανισμός μετά από ένα συμβάν, συμπεριλαμβανομένων αποτελεσμάτων που μπορεί να γίνουν σαφή μόνο αργότερα. Επομένως, η παρακολούθηση της απόδοσης του μοντέλου σε βάθος χρόνου παραμένει μέρος της λειτουργίας του συστήματος.

Γιατί η Flink ήθελε κάτι περισσότερο από τον αποκλεισμό αναγνωριστικών επισκεπτών

Η ανακοίνωση περιλαμβάνει τη μαρτυρία της Flink. Ο David Fennessey, επικεφαλής μηχανικός λογισμικού της εταιρείας, δήλωσε ότι η φραγή των αναγνωριστικών επισκεπτών από μόνη της δεν αρκούσε για την αντιμετώπιση πιο εξελιγμένων μορφών κατάχρησης. Περιέγραψε τη συνεργασία με τη Fingerprint για την ανάπτυξη ενός μοντέλου που αξιοποιεί την εσωτερική ανάλυση απάτης της Flink, με στόχο να συμβάλλει στην αποτροπή μελλοντικών καταχρήσεων πριν από την υποβολή μιας παραγγελίας.

Η εμπειρία της Flink αναδεικνύει τη συνεργασία στην οποία βασίζεται η υπηρεσία: η επιχείρηση συνεισφέρει την εσωτερική ανάλυση απάτης της και η Fingerprint αξιοποιεί αυτή την ανατροφοδότηση για να αναπτύξει και να συντηρεί ένα μοντέλο προσαρμοσμένο στα μοτίβα κατάχρησης που αντιμετωπίζει.

Το Fraud Score μετατοπίζει την έμφαση από τη συντήρηση μεμονωμένων σημάτων και κανόνων στη μάθηση από τα αποτελέσματα της ίδιας της επιχείρησης. Η Fingerprint αναλαμβάνει την εκπαίδευση και την επανεκπαίδευση του μοντέλου, ενώ οι ομάδες αντιμετώπισης της απάτης διατηρούν τον έλεγχο του τρόπου με τον οποίο οι προβλέψεις επηρεάζουν τις αποφάσεις τους. Το προϊόν διατίθεται μέσω της σελίδας του Fraud Score της Fingerprint.