Wykorzystując wizualizację danych, banki mogą znacznie zwiększyć swoje możliwości wykrywania oszustw. Rozmawiałem z Atmajitsinhem Gohilem, autorem książki Książka kucharska dotycząca wizualizacji danych Ro technologiach zmieniających walkę z oszustwami finansowymi.
Według Raport Nilsonaszacuje się, że do 2026 r. globalne straty z tytułu kart kredytowych osiągną 43 miliardy dolarów. Atmajitsinh Gohil, znany autor książki Książka kucharska dotycząca wizualizacji danych R, i jeden z czołowych ekspertów w dziedzinie narzędzi wykorzystujących sztuczną inteligencję, uważa, że techniki wizualizacji danych są kluczowe w walce z oszustwami.
Atmajitsinh współpracował z instytucjami finansowymi w celu oceny danych finansowych i opracowania narzędzi obsługujących sztuczną inteligencję do wykrywania anomalii. Te narzędzia obsługujące sztuczną inteligencję identyfikują wzorce w danych i wykrywają potencjalnych oszustów. Gohil opracował własne narzędzia do wizualizacji danych w celu identyfikacji oszustw finansowych, ochrony danych finansowych oraz wykrywania nowych i pojawiających się zagrożeń.
Jego Książka kucharska dotycząca wizualizacji danych R zagłębia się w język programowania R, oferując praktyczną wiedzę niezbędną każdemu, od studentów analityki danych po decydentów.
„Obecnie banki w dużym stopniu polegają na modelach uczenia maszynowego, które identyfikują przestępstwa na podstawie analizy zbiorów danych” – powiedział Gohil. „Odsetek oszustw w tych zbiorach danych jest bardzo mały, co utrudnia ich wykrycie”.
Obecnie pracuje nad walidacją modelu uczenia maszynowego dla największych banków świata. Według Gohila przestępcy stosują różne taktyki, takie jak pozyskiwanie zhakowanych informacji o klientach z ciemnej sieci, wykorzystywanie generatywnej sztucznej inteligencji do wyłudzania danych osobowych i pranie pieniędzy za pomocą kryptowaluty.
Gohil ma duże umiejętności w zakresie wykorzystania sztucznej inteligencji do łagodzenia strat finansowych – strategii, która ostatnio zyskała popularność wśród instytucji finansowych. Na przykład Mastercard wystrzelony generatywny model sztucznej inteligencji, który pomaga bankom lepiej oceniać podejrzane transakcje w ich sieci.
Ten zastrzeżony algorytm jest szkolony na danych z około 125 miliardów transakcji, które każdego roku przechodzą przez sieć kart firmy. Technologia Mastercard może poprawić współczynnik wykrywania oszustw średnio o 20%, a w niektórych przypadkach doprowadziła do poprawy nawet o 300%.
Zapobieganie przestępczości finansowej
Według Gohila firmy finansowe gromadzą ogromne ilości danych z różnych transakcji, w tym z przelewów pieniężnych i czynności związanych z logowaniem. Identyfikacja oszukańczych działań polega na porównaniu profilu danej osoby z danymi historycznymi w celu wykrycia podejrzanych wzorców.
Innowacyjne techniki wizualizacji danych firmy Gohil odgrywają kluczową rolę w tym procesie. „Wizualizacja wchodzi w grę poprzez tworzenie pulpitów nawigacyjnych, które mogą pokazać, ile osób się loguje, ich płeć, grupy wiekowe i miejsca, w których dochodzi do oszustwa” – mówi Gohil. „Pomaga to w określeniu, czy oszustwa koncentrują się w określonej grupie demograficznej lub regionie”.
Kiedy modele oszustw nie sprawdzają się dobrze, banki dokonują korekt i wykorzystują techniki wizualizacji do porównywania starych i nowych modeli.
„Możesz wizualizować dane, aby zobaczyć wydajność przed i po zmianie. Pomaga to w zrozumieniu, czy korekty zmniejszyły liczbę fałszywych alarmów lub poprawiły współczynnik wykrywalności” – dodaje Gohil.
Główne ryzyka dla banków
Wraz z postępem technologii zmieniają się także metody stosowane przez przestępców. „Oszuści dostosowują się bardzo szybko. Pracują agresywnie, aby złamać system, zwłaszcza gdy pojawia się sztuczna inteligencja” – ostrzega Gohil. Na przykład technologię można wykorzystać do tworzenia fałszywych identyfikatorów lub innych zwodniczych sposobów włamywania się do systemów bankowych.
Jednym z głównych zagrożeń, na jakie narażają się banki, jest utrzymanie zaufania klientów i ochrona ich danych. „Poważne obawy budzi zadowolenie klienta i zapewnienie, że jego tożsamość nie zostanie ujawniona” – zauważa Gohil.
Jedną z takich innowacji pomagających bankom identyfikować fałszywe połączenia jest technologia rozpoznawania głosu, opracowana przez zewnętrznych dostawców. Systemy te mogą analizować różne dane wejściowe, takie jak numery telefonów i lokalizacje geograficzne, w celu oznaczania podejrzanych działań.
„Rozpoznawanie głosu może rozpoznać, czy połączenie jest fałszywe, na podstawie różnych zmiennych w modelu” – wyjaśnia Gohil.
Przyszłość zapobiegania oszustwom
Zagrożenia, przed którymi stoją banki, stale ewoluują. E-maile phishingowe, spam i fałszywe wiadomości od dyrektorów generalnych to tylko niektóre z taktyk stosowanych przez oszustów. Gohil ostrzega, że banki muszą zachować czujność i wdrażać nowe technologie, aby chronić siebie i swoich klientów.
Korzystając z technik wizualizacji danych Gohila, firmy finansowe mogą zastosować sztuczną inteligencję do tworzenia scenariuszy, w których identyfikują potencjalne zagrożenia i podejmują środki zapobiegawcze. Na przykład oznaczenie wiadomości e-mail jako wewnętrznych lub osobistych pomaga bankom monitorować przepływ informacji i zapobiegać atakom phishingowym.
Choć wiele banków posiada skuteczne narzędzia umożliwiające wykrywanie nietypowych zachowań mogących świadczyć o oszustwie, to narzędzia te nie są doskonałe. Właśnie dlatego techniki wizualizacji danych firmy Gohil mają kluczowe znaczenie w identyfikowaniu oszukańczych wzorców.
„Zaawansowana technologia jest niezbędna do odróżnienia transakcji legalnych od złośliwych” – stwierdził. Firmy finansowe mogą dokładnie ocenić skuteczność swoich systemów wykrywania oszustw jedynie na podstawie danych.
Autor wyróżnionego obrazu: Eduardo Soares/Unsplash
