به گزارش سرویس بین الملل پایگاه خبری عدل البرز به نقل از finextra، بخش مالی افزایش قابل توجهی در فعالیتهای متقلبانه را متحمل شده که همین امر منجر به زیان پیشبینیشده بیش از ۴۰ میلیارد دلار تا سال ۲۰۲۷ خواهد شد.
افزایش تراکنش های جعلی به عوامل متعددی، به ویژه افزایش حجم تراکنش های آنلاین مرتبط می باشد. این افزایش فرصت های بیشتری را در اختیار نهادهای مخرب قرار میدهد تا از کسبوکارها، سیستمهای پرداخت، مؤسسات مالی و مصرفکنندگان بهرهبرداری کنند.
برای مقابله با این تهدیدات، موسسات مالی به یادگیری ماشین (ML) به عنوان ابزاری قدرتمند جهت پیشگیری از کلاهبرداری های فعال روی آوردهاند. چگونه ML می تواند با تقلب و کلاهبرداری مبارزه کند و حتی در این زمینه می تواند از نیروی انسانی هم پیشی بگیرد؟
چالشهای کشف تقلب و کلاهبرداری
با پیشرفت فناوری، مصرفکنندگان گزینههای بانکداری دیجیتال و انجام تراکنشهای آنلاین را انتخاب کرده اند. ولی، این راحتی در انجام امور، مسیر را برای افزایش فعالیت های کلاهبرداری هموار کرده است.
بر اساس برآوردها، جرایم سایبری تا سال ۲۰۲۵ سالانه ۱۰٫۵ میلیارد دلار برای اقتصاد جهانی هزینه خواهد داشت. این مقیاس از کلاهبرداری برای سیستم های تشخیص مبتنی بر انسان بسیار زیاد و دشوار می باشد.
نقش یادگیری ماشین
موسسات مالی به سیستمهای خودکار و مبتنی بر قوانین کشف تقلب روی آوردهاند، اما این سیستم ها هم دارای محدودیتهایی می باشند. یادگیری ماشین (ML) و هوش مصنوعی (AI) راه حل های بسیار مؤثرتری را ارائه می دهند.
بخاطر رشد فزاینده جرایم سایبری، ۷۶ درصد از شرکتها، هوش مصنوعی و ML را در بودجههای فناوری اطلاعات خود در اولویت قرار دادهاند که ناشی از افزایش حجم دادههایی می باشد که برای شناسایی و کاهش تهدیدات سایبری نیاز به تجزیه و تحلیل دارند. توانایی ML بخاطر یادگیری از طریق الگوهای داده های تاریخی و تشخیص ناهنجاری ها ضروری می باشد.
ML در کشف تقلب در زمینه های مختلف کاربردی و موثر می باشد:
کلاهبرداری کارت اعتباری: ML بر شناسایی تراکنش هایی تمرکز دارد که خارج از چارچوب الگوهای هزینه های معمولی انجام می شوند.
کلاهبرداریATM (دستگاه خودپرداز): یادگیری ماشین از تشخیص ناهنجاری، تجزیه و تحلیل رفتار، و امتیازدهی ریسک لحظه ای برای مبارزه با اشکال مختلف کلاهبرداری ATM استفاده می کند.
تقلب در پایانه فروش: ML بخش های داده ای را تجزیه و تحلیل می کند تا ناهنجاری های مربوط به سرقت کارکنان را شناسایی کند.
فیشینگ ایمیل: اسکنرهای بدافزار مبتنی بر ML می توانند ایمیل های مخرب را شناسایی و مسدود کنند و از داده های کاربران محافظت کنند.
کلاهبرداری از طریق موبایل: ابزارهای مبتنی بر ML به سرعت کاربران را از تراکنشهای غیرمجاز بر روی گوشیهای هوشمندشان آگاه میکنند.
چرا یادگیری ماشین موثر می باشد؟
ML از مدل های یادگیری تحت نظارت، بدون نظارت، نیمه نظارت شده و تقویتی برای آموزش ماشین ها و تشخیص رفتار متقلبانه استفاده می کند. ML به آمار محاسباتی و مدلهای ریاضی برای تعریف رفتار کاربر عادی، پیشبینی و بهبود دقت در طول زمان متکی می باشد.
در پرداختهای دیجیتال، ML ناهنجاریها و تراکنشهای مشکوک را شناسایی میکند و بدون اجرای مراحل تأیید طولانی، محافظت بیشتری را ارائه میکند.
مزایای استفاده از ML
علاوه بر کمک در مبارزه با جرایم سایبری، مزایای ML در بخش مالی عبارتند از:
بهبود ارزیابی اعتبار داده ها
ارزیابی بهتر تراکنش های تکراری
تجزیه و تحلیل داده های موثرتر
به حداقل رساندن خطاهای انسانی
اتوماسیون بررسی تقلب
افزایش رضایت مشتری
سخن نهایی
صنعت مالی به طور قابل توجهی از توانایی ML برای شناسایی سریع الگوها در مجموعه داده های گسترده استفاده می کند. ML در پردازش حجم زیادی از داده ها بصورت لحظه ای بسیار کاربردی ست و برای تجزیه و تحلیل اعتبار، پردازش پرداخت، ارزیابی پرداخت و جلوگیری از کلاهبرداری مفید و کارآمد می باشد. مؤسسات مالی که از راهحلهای امنیتی پرداخت مدرن استفاده میکنند، میتوانند سیستمهای پیشگیری قوی ایجاد کنند و سطح امنیتی را به مشتریان ارائه دهند که سیستمهای سنتی نمیتوانند با آن مطابقت داشته باشند، و از چشمانداز و شهرت آتی آنها هم محافظت می کنند.
پایان پیام/
بیشتر بخوانید: رایج ترین کلاهبرداری های مالی در سال ۲۰۲۳
