PREVENCIÓN DEL FRAUDE CON TARJETAS DE CRÉDITO
Milisegundos para decidir: ¿es fraude o no es fraude?
Entrevista con Roy Prayikulam, SVP de Riesgo y Fraude de INFORM
CREDIT CARD PREVENTION
„Decide in milliseconds: Fraud or no fraud?“
Interview with Roy Prayikulam, SVP Risk & Fraud at INFORM
Sacas la tarjeta, ingresas una clave y recibes tus productos: los pagos sin efectivo, ya sea en Internet o en una tienda, son rápidos y fáciles. El consumidor desconoce la cantidad de procesos que ocurren detrás de cada transacción. Al final, el objetivo es proteger del fraude a los consumidores, comercios y bancos. En esta entrevista, Roy Prayikulam explica cómo software con IA realizan esta labor con millones de transacciones al día.
A nivel mundial, los bancos e instituciones de crédito procesan diariamente para sus clientes más de 3000 millones de pagos sin efectivo. ¿Cómo se pueden proteger efectivamente estos pagos del fraude?
En las horas punta, los grandes bancos procesan hasta 5000 pagos por segundo a través de compras en línea, banca móvil o por Internet. La protección contra el fraude requiere correlacionar enormes cantidades de datos de los perfiles de los clientes, transacciones financieras pasadas y actividad en Internet. En milisegundos se debe tomar una decisión basada en estas correlaciones: ¿es fraude o no es fraude? Esta es la única forma de que los bancos estén un paso adelante de los defraudadores. Los software modernos combinan procesos de IA, como el aprendizaje de máquina, con sistemas de reglas basados en conocimiento humano.
VIDEO: IA EN LA VIDA DIARIA
Fraude con tarjetas de crédito
En este video, nuestro colega Tyrone Castelanelli, catalizador de IA en INFORM, explica cómo la IA funciona para proteger a clientes, comercios y bancos contra el fraude con tarjetas de crédito.
Entonces, ¿se trata de generar conocimiento crítico a partir de grandes grupos de datos?
¡Exactamente! Por un lado, hay que identificar y bloquear transacciones fraudulentas y sospechosas; por el otro, la mayoría de las transacciones son legítimas y se deben procesar lo más rápido posible. Para conseguir esta selectividad, los sistemas de detección de fraude acceden a una amplia gama de datos, incluyendo información como cambios de dirección, límites de crédito o solicitudes de nuevas contraseñas. También revisan las cantidades y ubicaciones donde el cliente normalmente realiza los pagos. Cualquier cosa fuera de lo normal podría indicar que es fraude. Esto se complementa con información actualizada sobre una transacción. Por ejemplo, se puede saber que un cliente está por hacer una compra en una librería. Además, se sabe que los pagos en las librerías no suelen ser de montos demasiado grandes, por lo tanto, un monto inusualmente grande en una librería también indica un posible fraude. Estos ejemplos demuestran el principio, pero no su complejidad. Hay cientos de variables distintas a considerar dependiendo del tipo de pago.
¿Cómo ayuda el aprendizaje de máquina?
Permite a los bancos inferir la probabilidad de fraude en una transacción a partir de estos enormes conjuntos de datos. Esto se hace mediante el entrenamiento de un algoritmo con transacciones históricas que fueron identificadas como fraudulentas para así poder reconocer los patrones de fraude que hay en los conjuntos de datos. De esta manera, se pueden detectar automáticamente los intentos de fraude.
¿Qué tan transparente y confiables son las decisiones que toma dicho algoritmo?
Cada transacción de pago identificada como sospechosa se revisa por una persona experta en los bancos. Para poder comprender por qué se rechaza un transacción, el algoritmo debe ser transparente y no estar oculto en una caja negra, después de todo, un patrón de fraude es una combinación de varios factores individuales. Es una tarea de los algoritmos reconocer con un alto grado de precisión los parámetros y áreas que representan mejor al patrón. El número de combinaciones posibles supera la capacidad humana.
¿Qué rol sigue desempeñando la experiencia humana?
Sigue desempeñando un rol importante porque una máquina no puede remplazar los años de experiencia de un experto. Confiamos en nuestros instintos y conocimiento experto, especialmente en entornos nuevos donde no hay patrones de fraude. Por ejemplo, si se hacen dos transacciones con una tarjeta de crédito, en dos ubicaciones distintas y en un breve período de tiempo, al menos una es fraudulenta. Una IA puede reconocer esto y reaccionar en consecuencia.
¿Dónde alcanza sus límites la IA?
Para explicarlo con un ejemplo: Si aparece un nuevo método de pago para compras en línea usando criptomonedas, un experto puede almacenar nuevas reglas en el sistema basándose en la experiencia y evaluación de los datos de la transacción. Los patrones de fraude que emergen de esto se deben repetir varias veces antes de que el sistema los reconozca como tal. El daño financiero sería enorme si tuviéramos que esperar durante todo el tiempo de entrenamiento del modelo de aprendizaje de máquina cada vez que aparezca un nuevo patrón de fraude.
¿Existe una tendencia a combinar aprendizaje de máquina y reglas basadas en conocimiento?
Los criminales están constantemente desarrollando nuevos patrones de fraude y solo con ese tipo de combinación es posible reaccionar rápidamente. Por esta razón los sistemas desarrollados en INFORM cuentan con la llamada “IA híbrida”, que integra en un solo software los métodos basados en datos y conocimiento mencionados anteriormente. Esto hace posible buscar diariamente dentro de enormes cantidades de datos para identificar correlaciones y patrones recurrentes que indiquen comportamiento criminal. Esta es la única manera de que el porcentaje de transacciones fraudulentas sea tan bajo que el fraude ocurra en no más de uno en un millón.