Fingerprint, müşteri testinde yaklaşık %50 daha fazla dolandırıcılık tespit edildiğini bildirerek Fraud Score’u kullanıma sundu

Fingerprint, cihaz istihbaratını her müşterinin kendi dolandırıcılık sonuçlarıyla eğitilen makine öğrenimi modelleriyle birleştiren, dolandırıcılığı öngörmeye yönelik bir sinyal olan Fraud Score’u kullanıma sundu. Şirket, ürünün bire bir karşılaştırmalı bir değerlendirmede, meşru kullanıcıların engellenme sayısını artırmadan, bir müşterinin mevcut kurum içi modelinden yaklaşık %50 daha fazla dolandırıcılık vakası tespit ettiğini bildirdi.

Bu lansman, risk ekiplerinin sık karşılaştığı bir soruna çözüm getirmeyi amaçlıyor: Sinyalleri toplamak, bunları güvenilir bir karara dönüştürmekten daha kolay. Birden fazla hesapla ilişkilendirilen bir cihaz, promosyonların kötüye kullanıldığına işaret edebilirken, yerleşik bir hesaba girmeye çalışan tanınmayan bir cihaz farklı bir incelemeyi gerektirebilir. Fraud Score, bu ayrımları bir kuruluşun gerçek kullanıcılarından, trafiğinden ve doğrulanmış sonuçlarından öğrenmek üzere tasarlandı.

Bildirilen Tespit Artışının Gösterdikleri

Fingerprint’in öne çıkardığı sonuç, bir müşterinin kurum içi modeliyle yapılan karşılaştırmaya dayanıyor. Şirket, meşru kullanıcıların engellenme düzeyi aynı kalırken Fraud Score’un yaklaşık %50 daha fazla dolandırıcılık vakası tespit ettiğini söylüyor. Bu ikinci koşul önemli: Bir sistem, daha fazla trafiği reddederek şüpheli faaliyetleri daha çok yakalayabilir; ancak bu, gerçek müşterilerin de geri çevrilmesine yol açabilir.

Sonuç, bir müşterinin kurum içi modeliyle yapılan bire bir karşılaştırmadan elde edildi. Meşru kullanıcıların engellenme düzeyini sabit tutarken söz konusu işletmenin dolandırıcılık örüntülerinden öğrenmenin değerini ortaya koyuyor.

Bu artış, tespit edilen ek dolandırıcılık vakalarını ölçüyor. Finansal değeri, söz konusu işlemlere ve işletmenin her bir tahmini nasıl kullandığına bağlı.

Farklı Dolandırıcılık Türlerine Özel Modeller

Fraud Score’un temel tasarım tercihi, tahminleri dolandırıcılık türüne göre özelleştirmek. Fingerprint, desteklenen kullanım alanları arasında ödeme dolandırıcılığı, hesap ele geçirme, çoklu hesap kullanımı, sahte hesap oluşturma, promosyonların kötüye kullanılması, platformun kötüye kullanılması ve içeriğin kötüye kullanılması türlerini sıralıyor.

Bu kategoriler, farklı davranışları ve işletme maliyetlerini ifade ediyor. Ödeme dolandırıcılığı modeli, bir satıcının siparişi değerlendirmesine yardımcı olabilirken promosyonların kötüye kullanılmasına yönelik bir model, bir tekliften yararlanmak için birden fazla hesap üzerinden tekrar tekrar girişimde bulunulup bulunulmadığını araştırabilir. Hesap ele geçirme iş akışının amacı ise farklıdır: Meşru hesap sahibini gereksiz yere aksatmadan yetkisiz erişimi tespit etmek.

Modelin eğitim geri bildirimini müşteri sonuçları sağlar. Fingerprint, her kuruluşun kendi tahmin katmanını oluşturup işletmesini istemek yerine, işletmenin sağladığı etiketleri cihaz sinyalleriyle birleştirerek model eğitimi ve bakımını üstleniyor. Müşterinin trafiği ve dolandırıcılık örüntüleri değiştikçe yeni sonuçlar sonraki yeniden eğitim süreçlerine dahil ediliyor.

Bu nedenle geri bildirimin kalitesi önem taşıyor. Doğrulanmış sonuçlarla eğitilen bir model, ayrım gözetmeyen şüpheli olaylar listesiyle eğitilene kıyasla daha yararlı bir öğrenme sinyaline sahip olur. Bir kuruluşun etiketleri eksik ya da tutarsızsa ortaya çıkan tahminler de bu kısıtları yansıtabilir.

Hesapların Ötesinde Bağlam Sağlayan Cihaz İstihbaratı

Fingerprint’in cihaz istihbaratı platformu, kalıcı tanımlamayı web ve mobil etkinliklere ilişkin bağlamsal sinyallerle birleştiriyor. Platform, işletmelerin oturumlar arasındaki etkinlikleri ilişkilendirmesine ve yalnızca hesap bilgilerinden anlaşılamayabilecek örüntüleri incelemesine yardımcı oluyor.

Şirketin Smart Signals sinyal kataloğu; otomasyon, tarayıcıya müdahale, sanal makineler, proxy’ler, VPN’ler ve olağan dışı ölçüde yüksek cihaz etkinliğine ilişkin göstergeler içeriyor. Bu sinyaller analiz için bağlam sağlıyor; ancak bir gizlilik aracı ya da tanınmayan bir ortam, tek başına dolandırıcılık niyetini kanıtlamıyor.

Fraud Score, bu verilere müşteri verileriyle eğitilen bir tahmin katmanı ekliyor. Buradaki fark, bir ortamı tanımakla o ortamdaki örüntülerin belirli bir işletmenin dolandırıcılık sonuçlarıyla nasıl ilişkili olduğunu değerlendirmek arasında. Ekipler tahminleri doğrudan kullanabilir ya da diğer bilgilerin yanı sıra mevcut bir karar sistemine aktarabilir.

Bu yaklaşım, kötüye kullanımla daha önce ilişkilendirilmiş bir tanımlayıcıyı engellemenin de ötesine geçiyor. Eğitimli bir model, önceki vakalarla ilişkili sinyal bileşimlerini arayarak işletmenin benzer davranışları bir sonraki işlem tamamlanmadan önce fark etmesine yardımcı olabilir.

Kontrol Paneli, API ve S3 Üzerinden Geri Bildirim Döngüsü

Fingerprint’in lansman materyallerine göre müşteriler, dolandırıcılık sonuçlarını şirketin kontrol paneli, API’si veya S3 üzerinden paylaşabiliyor. Etiketleri yönetip model performansını analiz edebilirken tahminler Fingerprint’in API yanıtları aracılığıyla iletiliyor.

Bu mimari, mevcut risk iş akışlarına uyum sağlıyor. Bir karar motoru, bir etkileşimi onaylamak, ek doğrulama istemek ya da incelemeye yönlendirmek için tahmini diğer kontrollerle birlikte kullanabilir.

Sürekli yeniden eğitim, hizmetin değişen kötüye kullanım biçimlerine uyum sağlamasını amaçlıyor. Geri bildirim döngüsü, kuruluşun bir olaydan sonra öğrendiklerine bağlı; buna ancak daha sonra netleşebilecek sonuçlar da dahil. Bu nedenle, model performansını zaman içinde izlemek sistemi işletmenin bir parçası olmaya devam ediyor.

Flink Neden Ziyaretçi Kimliğini Engellemekten Daha Fazlasını İstedi?

Duyuruda, Flink’in kıdemli yazılım mühendisi David Fennessey’nin değerlendirmelerine de yer verildi. Fennessey, yalnızca ziyaretçi kimliklerini engellemenin daha sofistike kötüye kullanım girişimlerini önlemeye yetmediğini söyledi. Gelecekteki kötüye kullanım girişimlerini sipariş verilmeden önce durdurmaya yardımcı olması için Flink’in kendi iç dolandırıcılık analizlerinden yararlanan bir model üzerinde Fingerprint ile birlikte çalıştıklarını anlattı.

Flink’in deneyimi, hizmetin ardındaki iş birliğini ortaya koyuyor: Şirket, kendi iç dolandırıcılık analizlerini paylaşıyor; Fingerprint ise bu geri bildirimlerden yararlanarak şirketin kötüye kullanım örüntülerine özel bir model oluşturup modelin bakımını üstleniyor.

Fraud Score, odağı tek tek sinyalleri ve kuralları yönetmekten işletmenin kendi sonuçlarından öğrenmeye kaydırıyor. Fingerprint, modelin eğitilmesini ve yeniden eğitilmesini üstlenirken dolandırıcılık ekipleri, tahminlerin kararlarına nasıl yön vereceği konusunda kontrolü elinde tutuyor. Ürüne Fingerprint’in Fraud Score sayfasından erişilebilir.