Існує безліч «розумних» додатків для захисту від банківського шахрайства. Основні інструменти ШІ для боротьби з незаконними процесами в банках: це машинне навчання, виявлення аномалій, предиктивна і прогнозна аналітика. За допомогою цих інструментів ШІ визначає невідповідності в процесі оплати або використанні послуг банку.

Запобігання шахрайським діям в банку – одне з найбільш перспективних і розвинених напрямків використання штучного інтелекту в фінансовій галузі.

Машинне навчання для аналізу даних
Штучний інтелект застосовується для аналізу відразу двох і більше каналів даних. За допомогою методів машинного навчання програму навчають розпізнавати кілька типів транзакцій, а потім виявляти уразливості, підозрілу активність або шахрайські процеси. Для правильної реалізації потенціалу систем ШІ компанії потрібні два типи фахівців: вчені, які розуміються на технічних тонкощах нейромереж і прості співробітники, які вміють обробляти отримані соцмережами дані.

Джейсон Сандрам (Jason Sundram), фахівець з AI в компанії Facebook підкреслив, як важливі для будь-якого ШІ-проекту співробітники, які знають ринок і вміють орієнтуватися у клієнтській базі. Там, де штучний інтелект буде покладатися на математичні закономірності, людина зможе експериментальним методом прийти до найуспішнішого результату. У банківській справі програмне забезпечення не тільки здійснює процес обчислень і обробки даних – воно також дозволяє технічним фахівцям зрозуміти, які вихідні дані привели до отриманого результату. Приклад ШІ-рішення: платформа Teradata.

Вона прискорює виявлення незаконних банківських операцій, а також позначає підозрілі процеси, на яких система «вчиться» розпізнавати власні помилки. Так, Teradata допомогла Danske Bank модернізувати процес виявлення незаконних процесів і усунути 1200 щоденних помилкових попереджень захисту.

В процесі тестування Teradata, банку вдалося на 60% скоротити відправку системою безпеки помилкових повідомлень про атаки і на 50% збільшити виявлення реальних загроз. Очевидно, що показники будуть підвищуватися з часом, а платформа почне працювати ефективніше, оскільки система ШІ самонавчається.

Виявлення аномалій

Рішення для виявлення та запобігання шахрайству, засновані на виявленні аномалій, більш поширені, ніж засновані на предиктивній та прогнозній аналітиці. Нейронна мережа в цьому випадку навчається на безперервному потоці вхідних даних. У банківській галузі така мережа аналізує операції, історію кредитних заявок або дані для відкриття рахунків.

Після аналізу ШІ повідомляє про будь-які відхилення від норми, а оператор може як прийняти попередження, так і відхилити його як не варте уваги. В результаті цієї спільної роботи людини і ШІ-системи, нейронна мережа розуміє, який процес аномальний, а який звичайний. Для навчання системи використовується інформації про транзакції емітентів (випускаючих цінні папери) і трейдерів, а не лише власників банківських облікових записів, адже потенційним зловмисником може бути не тільки клієнт, але і партнер, який здійснює транзакції. Приклад ПО для виявлення аномалій – Feedzai. З його допомогою банки розробляють профілі ризику клієнтів, запобігають легалізації грошових коштів, отриманих незаконним шляхом.

Прогнозна і предиктивна аналітика

Моделі машинного навчання для виявлення шахрайства використовуються для розробки прогностичного та інтелектуального аналітичного програмного забезпечення. Прогнозуюча аналітика – це особливий метод виявлення незаконних дій шляхом аналізу даних за спеціальним алгоритмом. Предиктивна аналітика видає результат вже на основі скоригованих даних прогнозного аналізу. Як і попередні механізми ШІ, таке ПЗ здатне до самонавчання. Застосовується для контролю електронних платежів і переказів, діяльності у мобільних банківських додатках. Приклад ШІ-рішення: платформа DataVisor.

Автор: Олена Семенчук


Читайте також:

Подвійний удар Amazon: гігант e-Commerce має намір підкорити роздрібне офлайн-середовище

Atlas AI та AGRA підписали меморандум щодо усунення загрози продовольчій безпеці в Африці

Коментарi