机器学习如何帮助我们避免欺诈?

由于律师事务所面临着被网络犯罪分子攻击的巨大风险,因此必须采用新技术来保护公司和客户的信息。

经过多年的过度承诺和交付不足,数字化转型终于开始产生成果。通过创建数字服务作为传统客户服务渠道的补充,跨多个行业的业务现在正在加速增长。此外,大量的敏捷创业公司通过创新的数据驱动型应用程序正在破坏金融服务和零售行业。

这些新服务的影响已经改变了心态。现在,我们期望企业优先考虑数字化,尤其是年轻消费者对除此之外的其他问题感到失望。尽管数字服务可让您立即获得满足,但它们也使我们更容易遭受欺诈。在风险最大的行业中,法律部门是律师事务所,由于拥有大量敏感信息,它们被视为有利可图的目标。在线渠道为网络犯罪分子提供了无数新的网络攻击入口点– 91%的律师事务所 去年,他们成为电子邮件欺骗发送垃圾邮件,网络钓鱼和其他欺诈性电子邮件的受害者,很明显,它们不能免受网络犯罪的影响。他们可以采取多种措施保护自己,下面将对此进行讨论 卡罗琳·赫蒙(Caroline Hermon)SAS UK欺诈解决方案主管& Ireland.

推动数字化

在2020年前几个月,我们看到了数字服务的蓬勃发展,而传统的实体经济却开始放缓。为了保持业务运营,许多公司被迫以比计划更快的速度将服务在线迁移。急于将这些新的数字服务推向市场,存在很大的风险,即开发团队会犯错并忽视通常的安全检查。不幸的是,可能的结果是,欺诈者将在他们发现并利用受害者装甲中的这些新缝隙的情况下进行实地调查。

为了保持业务运营,许多公司被迫以比计划更快的速度将服务在线迁移。

1.领先欺诈者

在高度动态的环境中,欺诈者每天都在发现新的攻击媒介,对于欺诈预防团队来说,能够检测到威胁并快速做出响应至关重要。 人工智能 机器学习(AI / ML)方法可以发现以前的欺诈案例中的模式,并使用它们来检测客户,员工或系统的可疑行为,从而为您提供帮助。

人工智能和机器学习是广阔且技术含量很高的领域,欺诈团队可能难以选择最佳方法来开始其采用过程。然而,银行和其他组织正在将各种有趣的以AI / ML为基础的反欺诈解决方案投入生产。例如:

2.面部和图像识别

Monzo等数字银行正在使用具有面部识别技术的智能手机摄像头,以防止未经授权的用户通过其移动应用程序访问客户的帐户。当今功能强大的面部识别解决方案是使用机器学习模型构建的,该模型可以分辨出客户面部与照片或面具之间的区别。他们甚至可以检测到人何时正在睡觉或不知道正在使用相机,这可能使他们成为比传统的基于密码的登录方法更强大的访问控制措施。

银行还使用图像识别来简化流程,例如支票付款,客户只需在支票上照相并通过银行应用程序上传支票即可。银行已经在使用机器学习模型来识别图像是否是正版支票并从中提取关键信息。分析签名并检测更多类型的潜在支票欺诈将是自然的过程。

3.识别可疑行为

自然语言处理 文本分析可以帮助公司处理大量的内部和外部通信,例如电话,电子邮件,SMS和即时通讯程序/聊天机器人的交互,同时仍保持强大的反欺诈措施。例如,在银行业中,许多机构已经记录了其交易员和其他雇员的电话,以在进行内幕交易和其他金融犯罪时提供证据。通过使用自然语言处理技术,组织可以将这些音频文件自动转录为文本。然后,AI / ML模型可以识别相关的关键字和主题,分析语气和情绪,并在可疑行为超过给定阈值时向欺诈团队发出警报。

4.消除误报问题

误报是欺诈调查人员存在的祸根,使专家资源从真正的犯罪分子身上转移开来,并疏远了无辜的客户和员工。您可以使用AI / ML技术来构建模型,该模型可以分析先前的案例并从纯粹的表面异常中分离出真正可疑的行为模式。

5.回顾基于规则的方法

当前许多欺诈检测系统使用一组定义的业务规则来评估给定案例需要调查的可能性。您可以使用AI / ML模型来补充和测试这些规则集。这可以深入了解每个规则的关系和相对预测能力,甚至可以建议添加新规则以提高结果的准确性。

6.识别共谋

调查人员工具包中最强大的工具之一是网络分析,它提供了可视化和了解被调查案件周围人员,地点和事件之间关系的工具。就像人类研究人员一样,可以训练AI / ML模型来解释这些复杂的网络,并且通常可以识别传统方法可能会遗漏的模式和关系。

网络分析人员是研究人员工具包中功能最强大的工具之一。

7.监测网络

向客户提供数字服务和为员工提供远程工作能力的努力给网络安全团队带来了新问题,他们无法再依靠公司防火墙后发生的所有敏感活动了。但是,您还可以使用AI / ML解决方案来处理大量的网络日志,并以远远超出人工网络管理员能力的速度和规模来识别可疑事件。

实施平台

归根结底,法律部门内的欺诈威胁可能会导致严重的声誉和财务影响,从而凸显了对先发制人的欺诈防御的需求。开源编码往往是许多组织进行AI之旅的起点,并且对于小型计划而言效果很好。但是企业级部署非常复杂,需要一种更健壮的方法,而且很难通过开源进行扩展。要考虑的因素包括:需要进行治理以确保将信息用于其预期目的,以及正在进行的模型测试和监视以确保准确性和避免偏差。在这里,采取集中化的方法是一个不错的方法。通过这种方式,我们意味着要建立一个分析平台,该平台不仅支持传统的统计方法,而且还支持更新的AI / ML技术。

发表评论