Detección de fraude utilizando inteligencia artificial en servicios de pago y tarjetas de crédito

Los fraudes financieros han prevalecido durante mucho tiempo. Los bancos y todas las demás industrias han estado tratando de controlar los fraudes durante bastante tiempo. Los emisores de tarjetas de crédito y los servicios de pago han tenido que tomar medidas importantes para reducir las actividades fraudulentas.

A continuación, se presentan algunos ejemplos de cómo la inteligencia artificial puede prestarse perfectamente para la detección de tales fraudes en emisores de tarjetas de crédito y servicios de pago.

En 2015, las tarjetas de crédito, débito y prepagas emitidas en todo el mundo alcanzaron alrededor de $ 21. 84 mil millones según el Informe Bloomberg y se espera que aumente en un 45% para 2020. Algunas de las formas en que se pueden evitar los fraudes con tarjetas de crédito y débito se enumeran a continuación:

Device Intelligence puede ser utilizado para determinar si un perfil de dispositivo desde el que se está realizando la transacción es legítimo en un lapso de milisegundos, lo que permite a los bancos detener los fraudes antes de que ocurran. Se puede recopilar información de dispositivos basados ​​en cookies y balizas web tan pronto como un cliente visite el sitio web de un banco (por ejemplo, inicio de sesión, pago, creación de cuenta, registro de cuenta).

La solución determina si un dispositivo, que el usuario ha utilizado, tiene una cantidad anormalmente alta de actividad en línea y lo utiliza, junto con otros factores, para determinar patrones de fraude y recomendar si una transacción necesita ser negada, aprobada o revisada. Todo esto puede suceder en menos de un segundo.

Tal sistema puede ser entrenado usando una lista de fraudes previos (tanto internos como externos) que han ocurrido y que han sido detectados por analistas de fraude.

Un algoritmo de aprendizaje automático en tiempo real puede detectar fraudes internos y externos que tienen patrones similares de dispositivo, transacción, comportamiento, contexto y cuenta para predecir el comportamiento fraudulento y proporcionar a cada transacción un puntaje de riesgo.

Algunos de los puntos de datos que dicho sistema puede usar para predecir transacciones fraudulentas incluyen:

• Determinar el comportamiento pasado del dispositivo o cuenta
• Descubrir si un dispositivo es jailbreak / dispositivos rooteados
• Determinar si un dispositivo es una máquina virtual o un emulador
• Definición de riesgos de atributos para un dispositivo
• Confirmación de discrepancias de geolocalización
• Determinación de los desajustes de tipo de dispositivo / SO / resolución de pantalla
• Comprobación de asociación con otros dispositivos y cuentas

La inteligencia conductual puede integrarse en las aplicaciones para identificar a los estafadores en línea utilizando su familiaridad con el proceso de solicitud, la navegación y la información cuando visitan el sitio web de un banco. Esto puede ayudar a los bancos a reducir la cantidad de falsas caídas en el proceso de solicitud de tarjeta de crédito.

Algunos de los casos de uso que la solución biométrica del comportamiento puede ayudar a resolver son:

• Prueba de identidad: los algoritmos de aprendizaje automático se pueden utilizar para analizar la fluidez de la creación de cuentas, la fluidez de navegación, el conocimiento avanzado de habilidades informáticas y la baja familiaridad de los datos para distinguir al usuario real y al impostor, incluso en los casos en que el usuario es nuevo.
• Autenticación continua: evalúa el comportamiento de un usuario para autenticar la identidad del usuario que ha iniciado sesión en los casos en que los usuarios que han iniciado sesión olvidan cerrarla. Dicho sistema también puede usar factores cognitivos como la coordinación ojo-mano, patrones de comportamiento aplicativos, preferencias de uso, patrones de interacción del dispositivo, factores fisiológicos como la mano izquierda, derecha, tamaño de la prensa, temblores de las manos, etc. e información contextual como transacciones, navegación y patrones de dispositivo para determinar el uso legítimo o fraudulento de la aplicación.
• Prevención de fraude: puede realizar la detección en tiempo real de comportamiento criminal, malware, herramientas de acceso remoto (RAT), agregadores, actividad robótica, ataques de ingeniería social, etc. que no son reconocidos por los métodos tradicionales de prevención de fraude. Según los criterios mencionados anteriormente, el aprendizaje automático puede analizar el comportamiento del usuario y proporcionarle una puntuación de riesgo.

La inteligencia de decisiones también se puede utilizar para reducir los fraudes con tarjetas de crédito. A medida que un usuario realiza una compra, se pueden usar modelos de aprendizaje profundo para determinar si el tipo de compra, la hora, la ubicación, el costo de compra junto con una variedad de otros puntos de datos como la dirección IP, ID del dispositivo, correo electrónico, número de teléfono, etc. están en línea con las transacciones anteriores del cliente. Dicha aplicación también puede verificar el sistema de los comerciantes para confirmar si el cliente o el sistema tiene asignado un puntaje de riesgo. En ausencia de un patrón que sea consistente con el fraude, el sistema puede aprobar la transacción.

El aprendizaje automático puede ayudar a los comerciantes, consultorías de servicios financieros y proveedores de servicios de pago a diferenciar entre estafadores y clientes genuinos. La identidad digital de un cliente se puede determinar mediante el uso de puntos de datos como correo electrónico, teléfono, ubicación, dirección IP, ID del dispositivo, número de pasaporte, etc. Estos detalles se definen cuando una persona realiza transacciones en línea y se actualizan a medida que el cliente evoluciona.

Los algoritmos de aprendizaje automático también pueden estudiar la actividad en línea reciente de un cliente, como el comportamiento de pago, las redes sociales, la seguridad social, la ubicación de IP, la actividad del dispositivo y la dirección de facturación. Mientras más puntos de datos estén disponibles para un cliente, menor será el puntaje de riesgo para ese cliente. Con base en estos aportes del sistema, los comerciantes y los bancos pueden mejorar su seguridad para autenticar o evaluar el proceso de riesgo.

Estos datos también se pueden usar para actualizar el perfil del cliente y determinar la confiabilidad del cliente. Esto permitiría a los comerciantes estar al tanto de transacciones fraudulentas como devoluciones de cargo, cuentas falsas, spam, adquisición de cuentas, etc.

Por ejemplo, si el mismo estafador enumera diferentes variaciones de nombre al abrir una cuenta, digamos Kris Jefferson, Kris Jeff, Kris Jesse, etc., el algoritmo analizará los puntos de datos (direcciones IP, dispositivos, cuentas bancarias, comportamiento de pago, etc.) estos inicios de sesión para determinar un puntaje de riesgo asociado con tales transacciones.

El puntaje de riesgo, así como los puntos de datos utilizados para llegar al puntaje de riesgo, se pueden mostrar a un analista humano que puede intervenir cuando sea necesario. Esta intervención humana se puede alimentar al sistema para aumentar su precisión futura y mejorar sus algoritmos.

Con el crecimiento de la tecnología y el interés de las empresas en el campo de la ciencia de datos, estoy seguro de que hay muchos otros casos de uso que la IA puede abordar en este campo, estos forman solo la punta del iceberg.