PREVENÇÃO DE FRAUDE DE CARTÃO DE CRÉDITO
Milissegundos para decidir: fraude ou não?
Entrevista com Roy Prayikulam, vice-presidente sênior de risco e fraude da INFORM
CREDIT CARD PREVENTION
„Decide in milliseconds: Fraud or no fraud?“
Interview with Roy Prayikulam, SVP Risk & Fraud at INFORM
Retire seu cartão, insira seu PIN e receba as mercadorias - o pagamento sem dinheiro, seja na Internet ou em uma loja, é rápido e fácil. O comprador não tem conhecimento dos muitos processos que ocorrem em segundo plano em cada transação. Em última análise, o objetivo é proteger clientes, comerciantes e bancos contra fraudes. Nesta entrevista, Roy Prayikulam explica como o software baseado em IA faz isso funcionar com milhões de transações diárias.
Em todo o mundo, bancos e instituições de crédito processam mais de 3 bilhões de pagamentos sem dinheiro para seus clientes diariamente. Como esses pagamentos podem ser efetivamente protegidos contra fraudes?
Nos horários de pico, os grandes bancos processam até 5.000 pagamentos por segundo via internet banking, compras online ou mobile banking. A proteção contra fraudes requer a correlação de enormes quantidades de dados de perfis de clientes, transações financeiras anteriores e atividades na Internet. Em milissegundos, uma decisão deve ser tomada com base nestas correlações: Fraude ou não fraude? Essa é a única maneira de os bancos ficarem um passo à frente dos fraudadores. Os sistemas de software modernos combinam processos de IA, como aprendizado de máquina, com um sistema de regras baseado no conhecimento humano.
VÍDEO: IA NO COTIDIANO
Fraude de cartão de crédito
Neste vídeo, nosso colega Tyrone Castelanelli, AI Catalyst da INFORM, explica como a IA está trabalhando para proteger clientes, comerciantes e bancos contra fraudes de cartão de crédito.
Então, trata-se de gerar conhecimento crítico a partir de grandes conjuntos de dados?
Exatamente! Por um lado, você precisa identificar e bloquear transações fraudulentas e suspeitas. Por outro lado, a maioria das transações são legítimas e devem ser processadas o mais rápido possível. Os sistemas de detecção de fraude acessam uma ampla gama de dados para alcançar essa seletividade. Isso inclui informações como alterações de endereço, limites de crédito ou solicitações de novas senhas. Eles também analisam os valores e locais onde um cliente normalmente faz pagamentos. Qualquer coisa fora do comum pode indicar fraude. Isso é complementado por informações atualizadas sobre uma transação. Por exemplo, pode-se saber que um cliente está prestes a fazer uma compra em uma livraria. Além disso, sabe-se que os pagamentos em uma livraria raramente são grandes. Portanto, um pagamento extraordinariamente alto em uma livraria também indica uma possível fraude. Esses exemplos ilustram o princípio, mas não a complexidade. Existem milhares de variáveis de decisão diferentes a serem consideradas, dependendo do tipo de pagamento.
Como o aprendizado de máquina ajuda?
Ele permite que os bancos infiram a probabilidade de fraude em uma transação a partir desses grandes conjuntos de dados. Isso é feito treinando um algoritmo com transações históricas sinalizadas como fraudulentas para reconhecer os padrões de fraude contidos nos conjuntos de dados. Desta forma, as tentativas de fraude podem ser detectadas automaticamente.
Quão transparentes e responsáveis são as decisões tomadas por tal algoritmo?
Cada transação de pagamento identificada como suspeita é revisada por um especialista humano nos bancos. Para entender por que uma transação é rejeitada, o algoritmo deve ser transparente e não estar escondido em uma caixa preta. Afinal, um padrão de fraude é uma combinação de muitos fatores individuais. Quais parâmetros em quais áreas melhor representam o padrão com alto grau de precisão é uma tarefa para os algoritmos. O grande número de combinações está além da capacidade dos humanos.
Que papel ainda desempenha a perícia humana?
Ainda desempenha um papel importante porque uma máquina não pode substituir os anos de experiência de um especialista. Contamos com instinto e conhecimento especializado, especialmente em novos ambientes onde não existem padrões de fraude existentes. Vejamos dois exemplos: Se duas transações forem feitas com cartão de crédito em dois locais diferentes em um curto espaço de tempo, pelo menos uma delas é fraudulenta. Uma IA pode reconhecer isso e reagir de acordo.
E onde a IA atinge seus limites?
Para ficar com o exemplo: Se, por exemplo, um novo método de pagamento para compras online usando criptomoeda entrar em jogo, um especialista pode armazenar novas regras no sistema com base na experiência e avaliação dos dados da transação. Os padrões de fraude que surgem disso precisam ser repetidos várias vezes antes que o sistema os reconheça como tal. O prejuízo financeiro seria enorme se você tivesse que esperar esse tempo de treinamento do modelo de aprendizado de máquina para cada novo padrão de fraude.
Existe uma tendência de combinar aprendizado de máquina e regras baseadas em conhecimento?
Os criminosos estão constantemente desenvolvendo novos padrões de fraude. Somente com essa combinação é possível reagir rapidamente. É por isso que os sistemas desenvolvidos na INFORM apresentam a chamada “IA híbrida”, que integra os métodos baseados em dados e baseados em conhecimento descritos acima em um único software. Isso possibilita a busca diária de enormes quantidades de dados em busca de correlações e padrões recorrentes que indiquem comportamento criminoso. Essa é a única maneira de manter a porcentagem de transações fraudulentas tão baixa que a fraude não ocorra mais do que uma vez em um milhão.