Black Biyernes: Ito ba ay Ligtas na Mag-swipe ng iyong Credit Card?

Ikaw ay nakaupo sa bahay na iniisip ang iyong sariling negosyo kapag nakakuha ka ng isang tawag mula sa yunit ng pagtuklas ng pandaraya sa iyong credit card na nagtatanong kung nagawa mo lang ang pagbili sa isang department store sa iyong lungsod. Hindi ikaw ang bumili ng mga mahal electronics gamit ang iyong credit card - sa katunayan, naging sa iyong bulsa ang lahat ng hapon. Kaya paano alam ng bangko na i-flag ang solong pagbili na malamang na madayang?

Ang mga kompanya ng credit card ay may interes sa pagkilala sa mga transaksyong pinansyal na hindi naaayon sa batas at kriminal sa kalikasan. Ang mga stake ay mataas. Ayon sa Pag-aaral ng Federal Reserve Payments, ginamit ng mga Amerikano ang mga credit card na magbayad para sa 26.2 bilyon na pagbili noong 2012. Ang tinatayang pagkawala dahil sa hindi awtorisadong mga transaksyon noong taong iyon ay $ 6.1 bilyon. Nililimitahan ng federal Fair Credit Billing ang maximum na pananagutan ng may-ari ng credit card sa $ 50 para sa mga hindi awtorisadong transaksyon, na nag-iiwan ng mga kumpanya ng credit card sa kawit para sa balanse. Malinaw na ang mga mapanlinlang na pagbabayad ay maaaring magkaroon ng malaking epekto sa mga linya ng mga kumpanya sa ibaba. Ang industriya ay nangangailangan ng anumang mga vendor na nagpaproseso ng mga credit card upang pumunta sa pamamagitan ng mga awdit ng seguridad sa bawat taon. Ngunit hindi nito pinipigilan ang lahat ng pandaraya.

Sa industriya ng pagbabangko, ang pagsukat ng panganib ay kritikal. Ang pangkalahatang layunin ay upang malaman kung ano ang mapanlinlang at kung ano ang hindi sa lalong madaling panahon, bago masyadong magkano ang pinsala sa pananalapi. Kaya paano gumagana ang lahat ng ito? At sino ang nanalo sa armas lahi sa pagitan ng mga magnanakaw at mga institusyong pinansyal?

Pagtipon ng mga tropa

Mula sa pananaw ng mga mamimili, ang pagtuklas ng pandaraya ay maaaring mukhang mahiwagang. Lumilitaw ang proseso nang madalian, na walang paningin sa mga tao. Ito tila walang pinagtahian at instant na aksyon ay nagsasangkot ng isang bilang ng mga sopistikadong mga teknolohiya sa mga lugar mula sa pananalapi at economics sa batas sa agham ng impormasyon.

Siyempre, may ilang medyo tapat at simpleng mga mekanismo ng pagtuklas na hindi nangangailangan ng mga advanced na pangangatuwiran.Halimbawa, ang isang mahusay na tagapagpahiwatig ng pandaraya ay maaaring hindi maaaring magbigay ng wastong zip code na kaakibat ng isang credit card kapag ginamit ito sa hindi pangkaraniwang lokasyon. Subalit ang mga fraudsters ay sanay sa pag-bypass sa ganitong uri ng checking routine - pagkatapos ng lahat, ang paghahanap ng zip code ng biktima ay kasing simple ng paggawa ng isang paghahanap sa Google.

Ayon sa kaugalian, ang pagtuklas ng pandaraya ay umaasa sa mga diskarte sa pag-aaral ng data na nangangailangan ng makabuluhang paglahok ng tao. Ang isang algorithm ay mag-flag ng mga kahina-hinalang kaso upang masuri nang husto sa huli ng mga human investigator na maaaring tumawag sa mga apektadong card card upang tanungin kung talagang ginawa nila ang mga singil. Ngayong mga araw na ito ang mga kumpanya ay pakikitungo sa isang patuloy na baha ng maraming mga transaksyon na kailangan nila upang umasa sa malaking data analytics para sa tulong. Ang mga umuusbong na teknolohiya tulad ng pag-aaral sa makina at ang cloud computing ay sumusulong sa laro ng pagtuklas.

Pag-aaral Ano ang Legit, Ano ang Shady

Sa madaling salita, ang pag-aaral sa machine ay tumutukoy sa mga algorithm na nagpapabuti sa sarili, na mga paunang natukoy na proseso na sumusunod sa mga partikular na alituntunin, na ginagawa ng isang computer. Ang isang computer ay nagsisimula sa isang modelo at pagkatapos ay ini-tren ito sa pamamagitan ng pagsubok at error. Maaari itong gumawa ng mga hula tulad ng mga panganib na nauugnay sa isang pinansiyal na transaksyon.

Ang isang algorithm sa pag-aaral ng machine para sa pagtuklas ng pandaraya ay dapat na sanayin muna sa pamamagitan ng pagiging pinakain ang normal na data ng transaksyon ng maraming at maraming mga card. Ang mga pagkakasunud-sunod ng transaksyon ay isang halimbawa ng ganitong uri ng data ng pagsasanay. Ang isang tao ay karaniwang maaaring mag-usisa ng gas isang beses sa isang linggo, pumunta sa grocery shopping tuwing dalawang linggo, at iba pa. Natutunan ng algorithm na ito ay isang normal na pagkakasunod-sunod ng transaksyon.

Matapos ang prosesong ito ng mahusay na pag-tono, ang mga transaksyon ng credit card ay tatakbo sa pamamagitan ng algorithm, sa perpektong oras. Pagkatapos nito ay gumagawa ng isang numero ng posibilidad na nagpapahiwatig ng posibilidad ng isang transaksyon na mapanlinlang (halimbawa, 97 porsiyento). Kung ang sistema ng pagtuklas ng pandaraya ay isinaayos upang hadlangan ang anumang mga transaksyon na ang marka ay nasa itaas, sabihin, 95 porsiyento, ang pagtatasa na ito ay maaaring agad na mag-trigger ng pagtanggi ng card sa punto ng pagbebenta.

Isinasaalang-alang ng algorithm ang maraming mga kadahilanan upang maging kuwalipikado ang isang transaksyon bilang mapanlinlang: pagiging maaasahan ng vendor, isang pag-uugali ng pagbili ng cardholder kabilang ang oras at lokasyon, mga IP address, atbp. Higit pang mga punto ng data ay may, mas tumpak na ang desisyon ay nagiging.

Ang prosesong ito ay ginagawang posible lamang sa pagtukoy ng pandaraya sa real-time o real-time. Walang taong maaaring suriin ang libu-libong mga puntos ng data nang sabay-sabay at gumawa ng isang desisyon sa isang split segundo.

Narito ang isang karaniwang sitwasyon. Kapag pumunta ka sa isang cashier upang mag-check out sa grocery store, mag-swipe ka ng iyong card. Ang mga detalye ng transaksyon tulad ng oras stamp, halaga, tagatukoy ng merchant, at pagmamay-ari ng pagiging kasapi pumunta sa issuer ng card. Ang mga data na ito ay fed sa algorithm na natutunan ang iyong mga pattern ng pagbili. Ang partikular na transaksyon ay naaangkop sa iyong profile sa pag-uugali, na binubuo ng maraming makasaysayang mga sitwasyon sa pagbili at mga punto ng data?

Nalalaman agad ng algorithm kung ginagamit ang iyong card sa restaurant na iyong pupuntahan tuwing Sabado ng umaga - o sa isang gas station na may dalawang time zone na malayo sa isang kakaibang oras tulad ng 3:00 ng umaga Sinusuri din nito kung ang iyong pagkakasunod-sunod ng transaksyon ay wala sa ang ordinaryong. Kung ang card ay biglang ginagamit para sa cash-advance na mga serbisyo ng dalawang beses sa parehong araw kapag ang makasaysayang data ipakita walang ganitong paggamit, ang pag-uugali na ito ay pagpunta sa up ang posibilidad ng pandaraya puntos. Kung ang marka ng pandaraya sa transaksyon ay higit sa isang tiyak na limitasyon, kadalasan matapos ang mabilis na pagsuri ng tao, ang algorithm ay makipag-usap sa punto ng sistema ng pagbebenta at hilingin ito na tanggihan ang transaksyon. Ang mga pagbili sa online ay dumadaan sa parehong proseso.

Sa ganitong uri ng sistema, ang mabigat na interbensyon ng tao ay nagiging isang bagay ng nakaraan. Sa katunayan, maaaring sila ay talagang sa paraan dahil ang reaksyon oras ay mas matagal kung ang isang tao ay masyadong mabigat na kasangkot sa pandaraya-detection cycle. Gayunpaman, ang mga tao ay maaari pa ring maglaro ng isang papel - alinman sa pagpapatunay ng pandaraya o pagsunod sa isang tinanggihang transaksyon. Kapag ang isang card ay tinanggihan para sa maraming mga transaksyon, ang isang tao ay maaaring tumawag sa cardholder bago kanselahin ang card nang permanente.

Mga Detective sa Computer, sa Cloud

Ang napakaraming bilang ng mga transaksyong pinansyal na naproseso ay napakalaki, tunay, sa larangan ng malaking data. Ngunit ang pag-aaral ng machine ay umaunlad sa mga bundok ng data - mas maraming impormasyon ang pinatataas ang katumpakan ng algorithm, na tumutulong na alisin ang maling mga positibo. Ang mga ito ay maaaring ma-trigger ng mga kahina-hinalang mga transaksyon na talagang lehitimong (halimbawa, isang card na ginamit sa isang hindi inaasahang lokasyon). Masyadong maraming mga alerto ay kasing ganda ng wala sa lahat.

Kinakailangan ng maraming lakas ng computing upang makagambala sa dami ng data na ito. Halimbawa, ang PayPal ay nagpoproseso ng higit sa 1.1 petabytes ng data para sa 169 milyong mga account ng customer sa anumang naibigay na sandali. Ang kasaganaan ng data na ito - isang petabyte, halimbawa, ay higit sa 200,000 na halaga ng DVD - ay may positibong impluwensiya sa pag-aaral ng machine ng mga algorithm, ngunit maaari ring maging isang pasanin sa imprastrakturang computing ng samahan.

Ipasok ang cloud computing. Ang mga mapagkukunan ng off-site na computing ay maaaring maglaro ng isang mahalagang papel dito. Ang Cloud computing ay nasusukat at hindi limitado sa sariling kapangyarihan ng computing ng kumpanya.

Ang pagtuklas ng pandaraya ay isang lahi ng armas sa pagitan ng mabubuting tao at masamang tao. Sa ngayon, ang mga mabuting tao ay tila nakakakuha ng lupa, na may mga umuusbong na mga makabagong teknolohiya sa IT tulad ng mga teknolohiya ng chip at pin, na sinamahan ng mga kakayahan sa pag-encrypt, pag-aaral ng makina, malaking data at, siyempre, ang cloud computing.

Tiyak na patuloy na sinusubukan ng mga manloloko na lutasin ang mga mabuting tao at hamunin ang mga limitasyon ng sistema ng pagtuklas ng pandaraya. Ang mga dramatikong pagbabago sa paradigm sa pagbabayad ay isa pang sagabal. Ang iyong telepono ay may kakayahang magtatabi ng impormasyon ng credit card at maaaring magamit upang gumawa ng mga pagbabayad nang wireless - nagpapakilala ng mga bagong kahinaan. Sa kabutihang-palad, ang kasalukuyang henerasyon ng teknolohiya sa pagtuklas ng pandaraya ay higit na neutral sa mga sistema ng pagbabayad ng sistema.

Ang artikulong ito ay orihinal na na-publish sa The Conversation ni Jungwoo Ryoo. Basahin ang orihinal na artikulo dito.