Tội phạm tài chính và các hình thức gian lận kỹ thuật số khác đang là mối quan tâm cấp bách đối với các ngân hàng, hiệp hội tín dụng và các FI khác, với những kẻ lừa đảo đã đánh cắp 2,8 tỷ đô la từ tài khoản ngân hàng vào năm 2018. Các ngân hàng đang dành thời gian, tiền bạc và nỗ lực để ngăn chặn loại gian lận này, khiến 22,3 đô la ngừng hoạt động. hàng tỷ giao dịch gian lận trong cùng năm. Tuy nhiên, họ có thể tiến xa hơn nữa bằng cách xem xét lại các thủ tục ngăn chặn gian lận xâm nhập và không hiệu quả thường xuyên của họ.

Hầu hết các ngân hàng dựa vào các đội phân tích con người để kiểm tra các giao dịch để tìm tội phạm tài chính tiềm ẩn, nhưng các đội này gặp phải một loạt vấn đề. Bốn mươi lăm phần trăm ngân hàng nói rằng cuộc điều tra của họ mất quá nhiều thời gian để hoàn thành và 40 phần trăm nói rằng họ dẫn đến nhiều kết quả dương tính giả hoặc các giao dịch hợp pháp bị gắn cờ nhầm là gian lận. Các ngân hàng thậm chí có thể có tỷ lệ dương tính giả hơn 90%, dẫn đến trải nghiệm khó chịu cho khách hàng khi họ buộc phải gửi lại giao dịch của mình.

FI đang khám phá nhiều con đường để vượt qua những vấp ngã này, nhưng ít triển vọng như trí tuệ nhân tạo (AI) và máy học (ML). Deep Dive sau đây khám phá những lợi ích chống gian lận của các hệ thống này, cũng như những thách thức mà nhiều ngân hàng phải đối mặt khi triển khai chúng.

Ưu – và nhược điểm – của trí tuệ nhân tạo

Các hệ thống phát hiện được điều khiển bởi AI mang lại một số lợi ích khi đề cập đến việc ngăn chặn gian lận, vì chúng có thể phân tích các giao dịch một cách tổng thể, so sánh từng điểm dữ liệu trong một giao dịch với mọi điểm dữ liệu khác chỉ trong vài phần giây. Các hệ thống này cũng có thể so sánh từng giao dịch với mọi giao dịch khác mà ngân hàng đã từng xử lý để xác định khả năng bị lừa đảo dựa trên các biến số mà một nhà phân tích con người có thể không bao giờ nhận thấy, chẳng hạn như cố gắng đăng nhập vào cùng một tài khoản bằng các tên người dùng và mật khẩu khác nhau trong quá trình trong vài tháng hoặc các giao dịch lớn bất thường.

Các ngân hàng đang triển khai các hệ thống dựa trên AI với số lượng kỷ lục, với hơn 217 tỷ đô la được chi cho các ứng dụng của AI cho các trường hợp sử dụng văn phòng trung bình như ngăn chặn gian lận và đánh giá rủi ro. Các khoản đầu tư này đang mang lại hiệu quả, theo các chuyên gia phòng chống gian lận, với 80% chuyên gia nói rằng AI làm giảm gian lận trong thanh toán và 63,6% FIs cho rằng AI là một công cụ có giá trị để ngăn chặn gian lận trước khi nó thành công. Các hệ thống này phổ biến ở các FI lớn với tài sản hơn 100 tỷ đô la – 72,7% trong số đó sử dụng AI – nhưng chỉ 5,5% trong số tất cả các FI được báo cáo có hệ thống dựa trên AI.

Lời giải thích rõ ràng nhất cho khoảng cách này là chi phí của các hệ thống AI, nhưng có một số lo ngại khác khiến các FI không thể nhảy vào nhóm AI. Các hệ thống AI thường không hoạt động theo thời gian thực, với 45,6% chuyên gia gian lận FI cho rằng đây là một mối lo ngại – một trở ngại đáng kể cho các khoản thanh toán cần được xử lý ngay lập tức. Theo 42,8% chuyên gia, thiếu minh bạch cũng là một vấn đề: Một nhà phân tích con người chắc chắn có thể đưa ra lời biện minh cho việc từ chối bất kỳ giao dịch nhất định nào, trái ngược với nhiều hệ thống AI, những người có lý luận ngu ngốc hơn nhiều.

Học máy có giám sát và không giám sát

Một số mối quan tâm này có thể được giải quyết bằng ML, một dạng AI tiên tiến hơn có thể học hỏi từ các phân tích của chính nó thay vì hoạt động dựa trên các giao thức không thay đổi. Hệ thống ML tính đến các giao dịch trong quá khứ và áp dụng các quy tắc này vào các phân tích trong tương lai để phát hiện tội phạm tài chính, khiến chúng dần trở nên thành thạo hơn trong việc chống gian lận theo thời gian. Điều này có nghĩa là khoản đầu tư của các ngân hàng vào công nghệ sẽ tăng giá trị khi các công cụ MI trở nên quen thuộc hơn với các hệ thống FI và các kỹ thuật mà những kẻ lừa đảo sử dụng để bẻ khóa chúng.

ML phần lớn có hai hương vị khác nhau: có giám sát và không giám sát. ML được giám sát yêu cầu các tham số xác định trước; Ví dụ, một hệ thống ML được giám sát có thể được cung cấp một hồ sơ về gian lận kỹ thuật số và tìm kiếm cơ sở dữ liệu để tìm các giao dịch khớp với hồ sơ này. Trong khi đó, ML không được giám sát không yêu cầu kết quả đặt ra và dựa vào phán quyết của chính nó để phát hiện các mẫu và sự bất thường. ML không được giám sát do đó vượt trội hơn so với giống được giám sát ở việc kết hợp thông qua các tập dữ liệu lớn hơn nhiều và cũng phù hợp hơn để tìm ra các kỹ thuật gian lận sáng tạo chưa gặp phải.

Các hệ thống phát hiện gian lận dựa trên ML đã dẫn đến việc giảm đáng kể tỷ lệ gian lận và dương tính giả tại các ngân hàng thực hiện chúng. Ví dụ, ngân hàng Danske đã chứng kiến ​​mức tăng 50% trong việc phát hiện gian lận thực sự sau khi triển khai ML trong các hệ thống phòng chống tội phạm tài chính của mình, cũng như giảm 60% số dương tính giả. Ngân hàng hy vọng con số sau này sẽ cải thiện lên 80% khi mô hình ML tiếp tục học hỏi và cải tiến các phương pháp của nó, đóng vai trò là một ví dụ về cách các hệ thống này phát triển khi sử dụng.

Các nỗ lực của tội phạm tài chính chống lại các ngân hàng có thể sẽ không bao giờ chấm dứt hoàn toàn, nhưng việc bổ sung AI và ML vào kho vũ khí chống gian lận của FIs có thể đi một chặng đường dài khiến những nỗ lực này ít có khả năng thành công hơn.

BÌNH LUẬN

Vui lòng nhập bình luận của bạn
Vui lòng nhập tên của bạn ở đây