نقش یادگیری ماشینی برای جلوگیری از تقلب در احراز هویت

به گزارش گروه تحقیق و ترجمه عصربانک؛ اکثر شرکت‌های بزرگ و کوچک روزانه با کلاهبرداری در حوزه احراز هویت مقابله می‌کنند و به مجموعه‌ای از ابزارها، از جمله احراز هویت چند عاملی و کدهای CAPTCHA برای شناسایی تقلب‌های هویتی متکی هستند. در حالی که این ابزارها تا حدی کمک می‌کنند، اما همه چیز را شناسایی نمی‌کنند. بر اساس تحقیقات شرکت Ekata، به عنوان یک شرکت زیرمجموعه مسترکارت، این کار بی‌خطا نیست. زیرا مشتریان خوب رد می‌شوند و بازیگران بد یواشکی وارد می‌شوند. بنابراین سخت است که بدانیم به چه کسی اعتماد کنیم.

ما در این مطلب این موضوع را بررسی می‌کنیم که چگونه مدل‌های یادگیری ماشینی پیچیده می‌توانند به شرکت‌ها درک بهتری از داده‌هایی که پردازش می‌شود بدهند و همچنین در تأیید هویت و جلوگیری از تقلب کمک کنند.

تقلب از طریق هویت جعلی

کلاهبرداری از طریق هویت جعلی شامل ترکیب اطلاعات هویت واقعی – مانند نام و آدرس – با اطلاعات جعلی است. در نتیجه، ممکن است هویت جدیدی ساخته شود و برای دور زدن سیستم‌های تشخیص تقلب مورد استفاده قرار گیرد. با گذشت زمان، از آنجایی که کشف اشکال ساده‌تر کلاهبرداری آسان‌تر شده است، کلاهبرداری از طریق هویت جعلی به یک رویکرد غالب برای کلاهبرداران تبدیل شده است.

به گفته تیم اسلون، معاون نوآوری پرداخت‌ها در گروه مشاوره مرکاتور، هویت‌های جعلی مانند خانه ای از کارت ساخته می‌شوند. او گفت: “یک کلاهبردار ممکن است از شماره‌های تامین اجتماعی افراد فوت شده استفاده کند، نام را تغییر دهد، سن را تغییر دهد، پروفایلی برای آن فرد ایجاد کند و سپس حساب ایجاد کند.”

و هرچه کلاهبرداران اکانت‌های بیشتری ایجاد کنند، این هویت معتبرتر می‌شود.

کلاهبرداران ممکن است با مراجعه به یک پذیرنده، با معرفی خود با نام، آدرس خیابان، شماره تلفن؛ یک حساب کاربری ایجاد و سپس کمی خرید کند و سپس با کارت اعتباری مطابق با آن هویت، شروع به ساختن آن هویت می‌کنند.»

ابزارهای یادگیری ماشین به کشف  تقلب در هویت کمک می‌کنند

به گفته Ekata ، کسب و کارهایی که سعی در جلوگیری از کلاهبرداری دارند باید روی دو سوال مهم تمرکز کنند: آیا مشتری واقعی است؟ و آیا مشتری همان چیزی است که ادعا می کند؟

این امر مستلزم ایجاد ارتباط بین مشتریان و هویت دیجیتال آنها است و همچنین تجزیه و تحلیلی از نحوه تعامل و رفتار آنلاین آنها ارائه می‌دهد.

سیستم‌های مدرن ضد کلاهبرداری معمولاً می‌توانند این کار را با استفاده از یادگیری ماشینی انجام دهند. اساساً، آنها به مؤلفه‌های مختلف هویت نگاه می‌کنند و از داده‌های شخص ثالث برای تأیید صحت و یا عدم صحت استفاده می‌کنند.

علاوه بر این، یک سیستم ضد کلاهبرداری از اطلاعات مربوط به اینکه شخص از کجا وارد شده است استفاده می‌کند. یک سیستم ضد کلاهبرداری سوال خواهد کرد که چرا اطلاعات شخصی ساکن نیویورک از یک آدرس IP در چین وارد می‌شود. در اصل، سیستم‌های ضد کلاهبرداری مدرن دستگاه را انگشت نگاری می‌کنند تا ببینند آیا با هویت ادعا شده مشتری مطابقت دارد یا خیر.

سیستم‌های یادگیری ماشینی در عمل

همانطور که قبلاً ذکر شد، یکی از راه‌های بهینه‌سازی تشخیص تقلب این است که اطمینان حاصل کنید که دیدی جامع از یک کاربر، از جمله آدرس IP و عادات دیجیتالی آن‌ها دارید.

یک ابزار پیشگیری از تقلب می‌تواند به شرکت‌ها کمک کند تا به راحتی پرچم‌های قرمز را تشخیص دهند. برای مثال، موتورهای احرازهویت می‌توانند با پاسخ دادن به سؤالات زیر به شناسایی مشتریان خوب در مقابل بازیگران بد کمک کنند:

آیا این ایمیل متعلق به شخص مورد نظر است؟

آیا این آدرس معتبر است؟ مسکونی است؟

این چه نوع شماره تلفنی است؟

آدرس ایمیل اولین/آخرین بار چه زمانی دیده شده؟

آیا آدرس IP خطرناک است؟

آیا در استفاده از عناصر هویتی ناهنجاری وجود دارد؟