Fraudedetectie door kunstmatige intelligentie

Banken verliezen elk jaar miljarden dollars aan fraude. Volgens de Association of Certified Fraud Examiners (ACFE) verliezen banken en andere organisaties jaarlijks ten minste 5% van hun inkomsten aan fraude.

De Verenigde Staten verliezen elk jaar minstens 200 miljard dollar door fraude. Fraude is gemakkelijker geworden met de vooruitgang van de technologie, en het kost consumenten meer dan ooit tevoren. Daarom geven traditionele banken miljoenen uit aan fraudebestrijdingstechnologieën, analisten die de sector bestuderen waarschuwen dat banken deze wapenwedloop aan het verliezen zijn.

Volgens een KPMG stijgen de fraudekosten sneller dan banken aan fraudebeheer besteden. Dit vraagt om een radicale verschuiving in fraudepreventie en -detectie, anders wordt het bankbedrijfsmodel onhoudbaar.

Gelukkig voor de banksector komt fintech, dat een tijdlang als een directe bedreiging en concurrent werd gezien, naar voren als de meest waarschijnlijke redder. Fintech-bedrijven en startups zoals Zafin, Backbase, Shield en anderen gebruiken machine learning en kunstmatige intelligentie om het fraudeprobleem aan te pakken.

Wat is fraudedetectie?

Fraudedetectie is het proces van het identificeren van frauduleuze activiteiten, of het nu gaat om een poging tot fraude of om daadwerkelijke fraude die heeft plaatsgevonden. Fraude kan vele vormen aannemen, zoals creditcardfraude, verzekeringsfraude of transactiefraude. Financiële instellingen, detailhandelaren en andere bedrijven verliezen elk jaar direct en indirect miljarden dollars aan fraude.

Direct geld verliezen is logisch. Elke vorm van fraude, zoals hacken of skimmen van geldautomaten, is directe fraude met de bank. Indirect geld verliezen aan fraude verwijst naar de valse identificatie van legitieme transacties als frauduleuze transacties. Dit gebeurt meestal wanneer fraudedetectiemaatregelen zo hoog zijn ingesteld dat zelfs legitieme transacties door het systeem als frauduleus worden gemarkeerd. Banken verliezen ongeveer $ 118 miljoen per jaar als gevolg van dergelijke valse meldingen.

Bovendien zijn de kosten van het voorkomen van fraude niet statisch. De kosten van het voorkomen van online creditcardfraude nemen in de loop van de tijd toe naarmate hackers beter worden in hun werk. Volgens het Cost of Fraud Report 2017 , uitgegeven door LexisNexis, meldde 81% van de financiële instellingen dat het nu duurder zou zijn om frauduleuze transacties te voorkomen dan in 2015.

Technologieën die worden gebruikt bij fraudedetectie

Machine learning en AI worden al door banken gebruikt voor fraudedetectie. Machine learning is een toepassing van kunstmatige intelligentie (AI) waarbij programma’s zelfstandig kunnen leren en automatisch nauwkeuriger worden in het voorspellen van resultaten zonder expliciete programmering. Het programma zou bijvoorbeeld frauduleuze transacties sneller dan een mens kunnen identificeren en zelfs leren hoe fraude beter te voorkomen dan mensen.

AI is de simulatie van menselijke intelligentieprocessen door machines, met name computersystemen. Deze processen omvatten leren (het verkrijgen van informatie en regels voor het gebruik van de informatie), redeneren (het gebruiken van regels om benaderende of definitieve conclusies te trekken) en zelfcorrectie. Kunstmatige intelligentie is populairder geworden omdat recente technologische ontwikkelingen het mogelijk hebben gemaakt om AI in computersystemen te integreren.

Trends in fraudedetectie

Naarmate machine learning en kunstmatige intelligentie blijven verbeteren, worden er meer vorderingen gemaakt op het gebied van fraudedetectie. De omvang van deze veranderingen kan niet precies worden voorspeld, maar sommige onderzoekers hebben suggesties gedaan voor mogelijke nieuwe toepassingen van technologie.

Onregelmatigheidsdetectie

Volgens veel onderzoekers zou AI kunnen worden gebruikt om afwijkingen in klantgedrag te detecteren. Als een bepaald patroon als ongebruikelijk werd geïdentificeerd, zou het worden gemarkeerd voor handmatige inspectie.

“Anomaliedetectie” kan ook een rol spelen bij het verbeteren van fraudedetectiesoftware. Een anomalie is iets dat niet overeenkomt met een verwachte norm of patroon. Als er afwijkingen in het gedrag van klanten zijn die als potentieel frauduleus worden gemarkeerd, kan worden vastgesteld dat er waarschijnlijk fraude heeft plaatsgevonden.

Zafin werkt samen met vooraanstaande bankinstellingen over de hele wereld, waaronder Barclays, HSBC en Deutsche Bank. Veel van deze banken hebben de afgelopen jaren aanzienlijke verliezen geleden door fraude. De gepatenteerde algoritmen van het bedrijf detecteren een breed scala aan frauduleuze activiteiten, waaronder het witwassen van transacties en het overnemen van rekeningen.

Backbase opereert al jaren vanuit stealth om zijn “Invisible Fraud Prevention”-oplossing te creëren. Volgens bronnen gebruikt deze tool machine learning en AI om afwijkingen in het gedrag van klanten te identificeren, evenals op regels gebaseerde logica om te bepalen of

sociale dynamiek

Onderzoekers suggereren ook dat “online sociale dynamiek” uniek inzicht kan bieden in fraudedetectie. Dit is gebaseerd op het idee dat “agenten in sociale netwerken de neiging hebben om gemeenschappen te vormen met voorkeuren, normen en vertrouwensrelaties. Deze verbindingen kunnen worden gebruikt voor het identificeren van fraude.”

De grens tussen online sociale dynamische analyse en sociale kredietpolitie is erg dun. China heeft met succes een op sociale kredieten gebaseerd politiesysteem geïmplementeerd in Shenzhen, dat is uitgegroeid tot de technische hoofdstad van China. Of dit goed of slecht is, is een andere discussie.

biometrische analyse

Biometrie is geen nieuw concept, maar de implementatie van deze technologie evolueert met behulp van datawetenschap en machine learning om het nog veiliger te maken. Gezichtsherkenningsprogramma’s kunnen bijvoorbeeld individuele gebruikers identificeren aan de hand van specifieke gelaatstrekken, wat betekent dat wachtwoorden niet langer nodig zijn.

Stembiometrische analyse is een ander idee dat onderzoekers suggereren. Dit werkt door software te gebruiken om de stem van een klant te analyseren en fraude te detecteren op basis van het al dan niet overeenkomen met eerdere informatie die in het bestand is opgeslagen. Een voorbeeld van dit soort technologie dat in gebruik is, is AIT Group, dat diensten levert aan een aantal Maleisische banken. Door te scannen naar 200 datapunten, zoals de toonhoogte en toon van de stem, kan de software van AIT een “live phishing-test” uitvoeren terwijl klanten bellen om navraag te doen.

Met behulp van deze technologieën zijn banken beter in staat potentiële fraude te identificeren voordat deze plaatsvindt, wat leidt tot minder verliezen.

Fraudedetectie is een belangrijke overweging voor financiële instellingen, maar de oude technieken zijn niet langer voldoende om de nieuwste oplichting bij te houden. Het tijdperk van ‘brute force’-fraudepreventie heeft plaatsgemaakt voor een meer genuanceerde aanpak die machine learning en kunstmatige-intelligentietechnologie op creatieve nieuwe manieren gebruikt.

In dit artikel hebben we besproken hoe deze technologieën banken kunnen helpen afwijkingen of veranderingen in het gedrag van klanten te identificeren die kunnen wijzen op frauduleuze activiteiten – voordat het ooit gebeurt!