Machine Learning an der Spitze der Betrugsprävention

Machine Learning und Fraud Prevention

Um Betrug in einer Welt von Datenschutzverletzungen zu verhindern, sind mehr als eine Handvoll aufmerksamer Menschen erforderlich, die jede Transaktion überprüfen. Das Machine Learning ist ein leistungsstarkes Instrument zur Verhinderung und Aufdeckung von Betrug. In Anbetracht der Auswirkungen von Betrug auf Finanzen, E-Commerce und Versicherungen sind fortschrittliche Algorithmen, die in der Lage sind, große Datenbestände zu skalieren, eine zunehmende Notwendigkeit für Branchen und Verbraucher, die Betrügereien verhindern wollen.

 

Die Macht der Maschinen, die lernen können

 

Wie der Name schon sagt, ist Machine Learning eine Möglichkeit für Computer zu lernen, ohne dass sie regelmäßig neue Programme oder Updates benötigen. Es ist eine Art künstliche Intelligenz, die Algorithmen verwendet, um riesige Datenmengen zu durchsuchen. Wir nehmen E-Mail-Spamfilter für selbstverständlich, aber das ist eine Art KI, die verhindert, dass schlechte E-Mails, von nicht verifizierten Konten oder unzuverlässigen Akteuren, jemals in Ihren Posteingang gelangen. Diese Filter suchen nach Links, die zu unsicheren Websites führen können, nach E-Mail-Adressen, die sich von bekannten Konten eines Unternehmens unterscheiden, und nach der Sprache der Nachricht selbst, um festzustellen, ob es sich um Spam handelt.

 

Nach dem gleichen Prinzip werden Algorithmen entwickelt, um potenziellen Betrug zu erkennen. Möglicherweise wurde ein Kauf markiert, weil er für einen Betrag oder von einem Ort erfolgte, der nicht mit Ihrem Ausgabenmuster oder Ihrer Historie übereinstimmt. Das ist Machine Learning auf persönlicher Ebene und repräsentiert das, was in verschiedenen Branchen in viel größerem Umfang geschieht.

 

Betrugsprävention

 

Allein der Kreditbetrug kostete die Verbraucher 2016 16 Milliarden Dollar. Diese Auswirkungen sind noch größer für Branchen, die an verlorenen oder verkauften Waren, damit verbundenen Gebühren und dem Verlust des Verbrauchervertrauens verlieren. Die Target Kreditkartenverletzung von 2013 betraf beispielsweise 40 Millionen Kunden. Target schätzt die Kosten für die Verletzung auf 252 Millionen US-Dollar, obwohl diese Zahl nach Versicherungsrückerstattungen und Steuerabzügen auf 105 Millionen US-Dollar sinkt. Nach der Verletzung zahlte Target auch 19 Millionen Dollar an die von dem Hack betroffenen Personen.

 

Mit zunehmender Komplexität von Hacking und Betrug müssen auch die Systeme, die zur Erkennung und Verhinderung solcher Angriffe eingesetzt werden, immer ausgefeilter werden. Finanzinstitute können sich nicht nur auf die Geschichte und das Verhalten einer Person konzentrieren, sondern auch eine lange Geschichte von Transaktionen nutzen, um etwas als betrügerisch zu kennzeichnen. Dieselbe Mustererkennung kann auch für Versicherungsfälle verwendet werden.

 

Überwachtes Machine Learning erfordert Training mit verschiedenen Modellen. Ein linearer Regressionsklassifikationsansatz beinhaltet einen Datensatz, der verwendet wird, um eine “wahre” oder “falsche” Entscheidung zu treffen. Banken könnten jeden Kauf über einen bestimmten Wert hinaus markieren, die Anzahl der Male, die eine Karte außerhalb ihres Herkunftslandes verwendet wurde, oder jeden anderen Wert, um die Wahrscheinlichkeit einer betrügerischen Transaktion zu bestimmen. Unternehmen müssen dieses Modell anhand früherer Betrugsbeispiele schulen, damit der Computer lernen kann, wie er diese Art von Transaktionen in Zukunft erkennen kann.

 

Während ein linearer Ansatz für den Großteil der Betrugserkennung geeignet ist, können neuronale Netze eingesetzt werden, wenn es Milliarden von Transaktionen in Hunderten von Ländern und Millionen von Kunden gibt. Neuronale Netzwerke oder Deep Learning ahmen genau nach, wie das menschliche Gehirn Entscheidungen trifft.

 

PayPal verwendet mehrere Methoden des Machine Learnings, einschließlich neuronaler Netze, um Tausende von Merkmalen zu wiegen und Modelle mit potenziellen Ergebnissen zu erstellen, um die Vertrauenswürdigkeit eines Kunden zu ermitteln. All dies geschieht innerhalb von Sekunden, was dazu beiträgt, eine nahtlose Transaktion für einen Verbraucher zu schaffen und gleichzeitig genügend Hindernisse zu schaffen, um einen potenziellen Betrüger zu identifizieren.

 

Da Datenschutzverletzungen scheinbar alltäglich werden, kann die KI auch den Spielraum in der sich ständig entwickelnden Welt des Betrugs verbessern.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.