Fingerprint เปิดตัว Fraud Score พร้อมรายงานว่าตรวจพบการฉ้อโกงเพิ่มขึ้นเกือบ 50% ในการทดสอบกับลูกค้า

Fingerprint เปิดตัว Fraud Score ซึ่งเป็นสัญญาณคาดการณ์การฉ้อโกงที่ผสานข้อมูลเชิงลึกเกี่ยวกับอุปกรณ์เข้ากับโมเดลแมชชีนเลิร์นนิงที่ฝึกจากผลการฉ้อโกงของลูกค้าแต่ละราย บริษัทระบุว่า ในการประเมินแบบเปรียบเทียบโดยตรง ผลิตภัณฑ์ตรวจพบการฉ้อโกงได้มากกว่าโมเดลที่ลูกค้ารายหนึ่งพัฒนาขึ้นใช้เองเกือบ 50% โดยไม่ได้เพิ่มจำนวนผู้ใช้ที่ถูกต้องตามกฎหมายที่ถูกบล็อก

การเปิดตัวนี้ตอบโจทย์ปัญหาที่ทีมบริหารความเสี่ยงคุ้นเคยกันดี นั่นคือ การรวบรวมสัญญาณทำได้ง่ายกว่าการนำสัญญาณเหล่านั้นไปใช้ตัดสินใจอย่างน่าเชื่อถือ อุปกรณ์ที่เชื่อมโยงกับหลายบัญชีอาจบ่งชี้ถึงการใช้โปรโมชันในทางที่ผิด ขณะที่อุปกรณ์ที่ไม่คุ้นเคยซึ่งพยายามเข้าสู่บัญชีที่ใช้งานมานานอาจต้องตรวจสอบด้วยแนวทางที่ต่างออกไป Fraud Score ออกแบบมาเพื่อเรียนรู้ความแตกต่างเหล่านี้จากผู้ใช้จริง ปริมาณการใช้งาน และผลลัพธ์ที่ยืนยันแล้วขององค์กร

สิ่งที่ผลการตรวจจับที่รายงานนี้แสดงให้เห็น

ผลลัพธ์สำคัญที่ Fingerprint รายงานมาจากการเปรียบเทียบกับโมเดลภายในของลูกค้ารายหนึ่ง บริษัทระบุว่า Fraud Score ตรวจพบการฉ้อโกงได้มากกว่าเกือบ 50% โดยยังคงบล็อกผู้ใช้ที่ถูกต้องตามกฎหมายในระดับเดิม เงื่อนไขข้อนี้มีความสำคัญ เพราะระบบอาจตรวจจับกิจกรรมน่าสงสัยได้มากขึ้นเพียงแค่ปฏิเสธการใช้งานมากขึ้น แต่การทำเช่นนั้นก็อาจทำให้ลูกค้าจริงเข้าใช้บริการไม่ได้ด้วย

ผลลัพธ์นี้มาจากการเปรียบเทียบโดยตรงกับโมเดลที่ลูกค้ารายหนึ่งพัฒนาขึ้นใช้เอง แสดงให้เห็นถึงคุณค่าของการเรียนรู้จากรูปแบบการฉ้อโกงของธุรกิจนั้น โดยยังคงรักษาระดับการบล็อกผู้ใช้ที่ถูกต้องตามกฎหมายไว้เท่าเดิม

ผลที่เพิ่มขึ้นนี้วัดจากการตรวจพบการฉ้อโกงเพิ่มเติม มูลค่าทางการเงินขึ้นอยู่กับธุรกรรมที่เกี่ยวข้องและวิธีที่ธุรกิจนำการคาดการณ์แต่ละครั้งไปใช้

โมเดลแยกตามปัญหาการฉ้อโกงแต่ละประเภท

แนวคิดหลักในการออกแบบ Fraud Score คือการปรับการคาดการณ์ให้เหมาะกับการฉ้อโกงแต่ละประเภท Fingerprint ระบุว่าเป้าหมายที่รองรับ ได้แก่ การฉ้อโกงด้านการชำระเงิน การยึดครองบัญชี การใช้หลายบัญชี การสร้างบัญชีปลอม การใช้โปรโมชันในทางที่ผิด การใช้แพลตฟอร์มในทางที่ผิด และการใช้เนื้อหาในทางที่ผิด

หมวดหมู่เหล่านี้สะท้อนพฤติกรรมและต้นทุนทางธุรกิจที่แตกต่างกัน โมเดลตรวจจับการฉ้อโกงด้านการชำระเงินอาจช่วยให้ผู้ค้าประเมินคำสั่งซื้อ ส่วนโมเดลตรวจจับการใช้โปรโมชันในทางที่ผิดอาจมองหาความพยายามซ้ำ ๆ ในการรับข้อเสนอผ่านหลายบัญชี ขณะที่กระบวนการตรวจจับการยึดครองบัญชีมีเป้าหมายต่างออกไป นั่นคือ ตรวจจับการเข้าถึงโดยไม่ได้รับอนุญาตโดยไม่รบกวนเจ้าของบัญชีที่ถูกต้องตามกฎหมายเกินจำเป็น

ผลลัพธ์จากลูกค้าเป็นข้อมูลป้อนกลับสำหรับการฝึกโมเดล แทนที่จะให้แต่ละองค์กรสร้างและดูแลระบบคาดการณ์ของตนเอง Fingerprint จะจัดการฝึกและบำรุงรักษาโมเดล โดยผสานสัญญาณจากอุปกรณ์เข้ากับป้ายกำกับที่ธุรกิจให้ไว้ เมื่อปริมาณการใช้งานและรูปแบบการฉ้อโกงของลูกค้าเปลี่ยนไป ผลลัพธ์ใหม่ ๆ จะถูกนำไปใช้ฝึกโมเดลซ้ำในรอบถัดไป

เรื่องนี้ทำให้คุณภาพของข้อมูลป้อนกลับมีความสำคัญ โมเดลที่ฝึกจากผลลัพธ์ซึ่งยืนยันแล้วได้รับข้อมูลกำกับดูแลที่เป็นประโยชน์มากกว่าโมเดลที่ฝึกจากรายการเหตุการณ์น่าสงสัยที่ไม่ได้แยกแยะ หากป้ายกำกับขององค์กรไม่ครบถ้วนหรือไม่สอดคล้องกัน การคาดการณ์ที่ได้ก็อาจสะท้อนข้อจำกัดเหล่านั้น

ข้อมูลเชิงลึกเกี่ยวกับอุปกรณ์ให้บริบทที่เกินกว่าข้อมูลบัญชี

แพลตฟอร์มข้อมูลเชิงลึกเกี่ยวกับอุปกรณ์ของ Fingerprint ผสานการระบุตัวตนอย่างต่อเนื่องเข้ากับสัญญาณแวดล้อมเกี่ยวกับกิจกรรมบนเว็บและอุปกรณ์เคลื่อนที่ แพลตฟอร์มนี้ช่วยให้ธุรกิจเชื่อมโยงกิจกรรมระหว่างเซสชันต่าง ๆ และตรวจสอบรูปแบบที่ข้อมูลบัญชีเพียงอย่างเดียวอาจไม่เปิดเผย

แค็ตตาล็อก Smart Signalsของบริษัทประกอบด้วยตัวบ่งชี้เกี่ยวกับระบบอัตโนมัติ การดัดแปลงเบราว์เซอร์ เครื่องเสมือน พร็อกซี VPN และกิจกรรมบนอุปกรณ์ที่มีความถี่สูงผิดปกติ สัญญาณเหล่านี้ให้บริบทสำหรับการวิเคราะห์ แต่การใช้เครื่องมือเพื่อความเป็นส่วนตัวหรือการใช้งานในสภาพแวดล้อมที่ไม่คุ้นเคยเพียงอย่างเดียวไม่ได้ยืนยันว่ามีเจตนาฉ้อโกง

Fraud Score เพิ่มชั้นการคาดการณ์ที่ฝึกจากข้อมูลของลูกค้าเข้าไปในหลักฐานดังกล่าว ความแตกต่างอยู่ที่การแยกแยะสภาพแวดล้อมออกจากการประเมินว่ารูปแบบในสภาพแวดล้อมนั้นสัมพันธ์กับผลการฉ้อโกงของธุรกิจใดธุรกิจหนึ่งอย่างไร ทีมงานจะใช้ผลการคาดการณ์โดยตรงหรือนำไปป้อนเข้าสู่ระบบตัดสินใจที่มีอยู่ร่วมกับข้อมูลอื่น ๆ ก็ได้

แนวทางนี้ยังไปไกลกว่าการบล็อกรหัสระบุตัวตนที่เชื่อมโยงกับการใช้งานในทางที่ผิดอยู่แล้ว โมเดลที่ผ่านการฝึกสามารถตรวจหารูปแบบการผสมผสานของสัญญาณที่สัมพันธ์กับกรณีก่อนหน้า ซึ่งอาจช่วยให้ธุรกิจรู้จำพฤติกรรมคล้ายกันได้ก่อนทำธุรกรรมครั้งถัดไปเสร็จสิ้น

วงจรป้อนกลับผ่านแดชบอร์ด API และ S3

ตามข้อมูลในเอกสารเปิดตัวของ Fingerprint ลูกค้าสามารถส่งผลลัพธ์เกี่ยวกับการฉ้อโกงผ่านแดชบอร์ด API หรือ S3 ได้ อีกทั้งยังจัดการป้ายกำกับและวิเคราะห์ประสิทธิภาพของโมเดลได้ โดยระบบจะส่งผลการคาดการณ์ผ่านการตอบกลับจาก API ของ Fingerprint

สถาปัตยกรรมนี้เหมาะกับกระบวนการบริหารความเสี่ยงที่มีอยู่แล้ว ระบบตัดสินใจสามารถใช้ผลการคาดการณ์ร่วมกับการตรวจสอบอื่น ๆ เพื่ออนุมัติการดำเนินการ ขอให้ยืนยันข้อมูลเพิ่มเติม หรือส่งเรื่องไปตรวจสอบ

การฝึกโมเดลซ้ำอย่างต่อเนื่องมีเป้าหมายเพื่อให้บริการตอบสนองต่อรูปแบบการใช้งานในทางที่ผิดที่เปลี่ยนแปลงไป อย่างไรก็ตาม วงจรป้อนกลับยังขึ้นอยู่กับสิ่งที่องค์กรเรียนรู้หลังเกิดเหตุการณ์ รวมถึงผลลัพธ์ที่อาจต้องใช้เวลาจึงจะทราบแน่ชัด ดังนั้น การติดตามประสิทธิภาพของโมเดลในระยะยาวจึงยังเป็นส่วนหนึ่งของการใช้งานระบบ

เหตุใด Flink จึงต้องการมากกว่าการบล็อกรหัสผู้เข้าชม

ประกาศดังกล่าวมีคำบอกเล่าจาก Flink โดย David Fennessey วิศวกรซอฟต์แวร์ระดับ Principal ของบริษัท กล่าวว่า การบล็อกเฉพาะรหัสผู้เข้าชมยังไม่เพียงพอที่จะรับมือกับการใช้งานในทางที่ผิดซึ่งซับซ้อนยิ่งขึ้น เขาเล่าถึงการทำงานร่วมกับ Fingerprint เพื่อพัฒนาโมเดลที่ใช้ข้อมูลจากการวิเคราะห์การฉ้อโกงภายในของ Flink เพื่อช่วยยับยั้งการใช้งานในทางที่ผิดในอนาคตก่อนที่จะมีการสั่งซื้อ

ประสบการณ์ของ Flink แสดงให้เห็นถึงความร่วมมือที่อยู่เบื้องหลังบริการนี้ โดยธุรกิจจะนำการวิเคราะห์การฉ้อโกงภายในของตนมาใช้ และ Fingerprint จะนำข้อมูลป้อนกลับดังกล่าวไปสร้างและดูแลโมเดลที่ปรับให้เหมาะกับรูปแบบการใช้งานในทางที่ผิดของธุรกิจนั้น

Fraud Score เปลี่ยนจุดเน้นจากการดูแลสัญญาณและกฎแต่ละรายการ มาเป็นการเรียนรู้จากผลลัพธ์จริงของธุรกิจ Fingerprint รับผิดชอบการฝึกและฝึกโมเดลซ้ำ ขณะที่ทีมป้องกันการฉ้อโกงยังคงควบคุมวิธีนำผลการคาดการณ์ไปใช้ประกอบการตัดสินใจ ผลิตภัณฑ์นี้ใช้งานได้ผ่านหน้า Fraud Scoreของ Fingerprint