Wie Banken nutzen maschinelles lernen wissen ist ein Gauner Ihre Kreditkartenangaben verwendet.

Sie sitzen zu Hause hüten Ihr eigenes Geschäft, wenn Sie erhalten einen Anruf von Ihrer Kreditkarte Betrug Detektionseinheit gefragt, ob Sie gerade einen Einkauf in einem Kaufhaus in Ihrer Stadt gemacht haben. Es war nicht Sie kauften teure Elektronik mit Ihrer Kreditkarte bezahlen – in der Tat, es in der Hosentasche ganzen Nachmittag gewesen. Also woher wussten die Bank kennzeichnen diese Einzelkauf als höchstwahrscheinlich betrug?

Kreditkarten-Unternehmen haben ein ureigenes Interesse bei der Identifizierung von Finanztransaktionen, die unehelichen und krimineller Natur sind. Die Einsätze sind hoch. Laut der US-Notenbank Zahlungen Studie verwendet Amerikaner Kreditkarten um 26,2 Milliarden im Jahr 2012 bezahlen. Der geschätzte Verlust durch nicht autorisierte Transaktionen in diesem Jahr war US$ 6,1 Milliarden. Die Bundesrepublik Fair Credit Billing Act beschränkt die maximale Haftung des ein Kreditkarteninhaber bis $50 für nicht autorisierte Transaktionen, Kreditkarten-Unternehmen auf den Haken für die Waage verlassen. Offensichtlich betrügerische Zahlungen können einen großen Einfluss auf das Unternehmen unteren Zeilen haben. Die Industrie benötigt Anbieter, die Kreditkarten durch Sicherheits-Audits jährlich gehen zu verarbeiten. Aber das hindert alle Betrug.

In der Bankenbranche ist die Risikomessung entscheidend. Das übergeordnete Ziel ist, herauszufinden, was betrügerisch ist und was nicht so schnell wie möglich, bevor zu viel finanziellen Schaden. Wie funktioniert das alles? Und wer gewinnt im Wettrüsten zwischen die Diebe und die Finanzinstitute?

Die Truppen sammeln

Aus Verbrauchersicht kann Betrugserkennung magisch erscheinen. Der Prozeß tritt augenblicklich, mit keine menschlichen Wesen in Sicht. Diese scheinbar nahtlos und sofortige Aktion beinhaltet eine Reihe von ausgeklügelten Technologien in Bereichen wie Finanzen und Wirtschaft, Recht, Informatik.

Natürlich gibt es einige relativ unkompliziert und einfach Erkennungsmechanismen, die keine erweiterten Argumentation erfordern. Beispielsweise kann ein guter Indikator für betrug die Unfähigkeit, die korrekte Postleitzahl verbunden mit einer Kreditkarte, wenn sie an einem unüblichen Ort verwendet wird. Aber Betrüger sind versiert in der Umgehung dieser Art von Routine-Check-immerhin eines Opfers Postleitzahl herausfinden könnte so einfach wie eine Google-Suche.

Traditionell, die Aufdeckung von Betrug stützte sich auf Daten-Analyse-Techniken, die bedeutende menschliche Eingriffe erforderlich. Ein Algorithmus würde Verdachtsfälle genau überprüft werden, letztlich kennzeichnen von menschlichen Ermittlern, die sogar angerufen haben können der betroffene Karteninhaber zu Fragen, ob sie tatsächlich die Gebühren gemacht hatten. Heute beschäftigen die Unternehmen mit einer ständigen Flut von so viele Transaktionen, dass sie von big Data Analytics für Hilfe verlassen müssen. Neue Technologien verstärken wie z. B. maschinelles lernen und cloud computing die Erkennung Spiel.

Lernen, was legitim ist, ist was schattig

Einfach ausgedrückt, maschinelles Lernen bezieht sich auf selbst verbesserte Algorithmen, die vordefinierte Prozesse nach bestimmten Regeln, durchgeführt von einem Computer sind. Ein Computer beginnt mit einem Modell und dann trainiert es durch Versuch und Irrtum. Es kann dann z. B. die Risiken im Zusammenhang mit einer Finanztransaktion Vorhersagen.

Ein Machine learning-Algorithmus zur Erkennung von Betrugsfällen muss zuerst trainiert werden, durch die normale Bewegungsdaten von tonnenweise Karteninhaber gefüttert werden. Transaktion-Sequenzen sind ein Beispiel für diese Art von Trainingsdaten. Eine Person kann in der Regel Pumpen Gas einmal pro Woche, alle zwei Wochen einkaufen zu gehen und so weiter. Der Algorithmus lernt, dass dies eine normale Transaktion Folge.

Nach dieser Feineinstellung werden Kreditkarten-Transaktionen durch den Algorithmus, idealerweise in Echtzeit ausgeführt. Es erzeugt dann eine Wahrscheinlichkeit Zahl, die die Möglichkeit einer Transaktion betrügerisch (z. B. 97 %). Wenn das Fraud-Detection-System konfiguriert ist, um alle Transaktionen zu blockieren, deren Partitur ist oben, sagen wir, 95 %, dieser Bewertung eine Karte Ablehnung am Point of Sale sofort auslösen könnte.

Der Algorithmus berücksichtigt viele Faktoren eine Transaktion als betrügerisch zu qualifizieren: Vertrauenswürdigkeit des Verkäufers, ein Karteninhabers des Kaufverhaltens einschließlich Zeit und Ort, IP-Adressen, etc.. Je mehr Datenpunkte es sind, desto genauer wird die Entscheidung.

Dieses Verfahren ermöglicht just-in-Time oder in Echtzeit Betrugserkennung. Niemand kann gleichzeitig Tausenden von Datenpunkten zu bewerten und eine Entscheidung im Bruchteil einer Sekunde.

Hier ist ein typisches Szenario. Wenn Sie eine Kassiererin im Supermarkt Check out gehen, streichen Sie Ihre Karte. Buchungsdetails wie z. B. Zeitstempel, Menge, Händler-ID und Mitgliedschaft Amtszeit gehen an den Kartenherausgeber. Diese Daten werden der Algorithmus zugeführt, die Ihr Kaufverhalten gelernt hat. Passt dieses bestimmten Transaktion Ihres Verhaltens Profil, bestehend aus vielen historischen Einkauf Szenarien und Datenpunkte?

Der Algorithmus weiß sofort, ob Ihre Karte verwendet wird im Restaurant gehen Sie zu jeden Samstagmorgen – oder an einer Tankstelle zwei Zeitzonen entfernt an eine seltsame Zeit z. B. 03:00 Es prüft auch, ob Ihre Transaktion Sequenz aus dem üblichen heraus. Wenn die Karte als die historischen Daten keine solche Verwendung zeigen plötzlich für Barkredit Dienste zweimal am selben Tag verwendet wird, wird dieses Verhalten der Betrug Wahrscheinlichkeitsergebnis oben. Wenn die Transaktion betrug Gäste ab einem bestimmten Schwellenwert, oft nach einer kurzen menschliche Überprüfung wird der Algorithmus mit dem POS-System kommunizieren und bitten sie, die Transaktion abzulehnen. Online-Käufe durchlaufen den gleichen Prozess.

Bei dieser Art des Systems werden schwere menschliche Eingriffe der Vergangenheit an. In der Tat könnten sie tatsächlich so sein, da die Reaktionszeit viel länger werden, wenn ein menschliches Wesen zu stark in der Aufdeckung von Betrug-Zyklus beteiligt ist. Menschen können jedoch noch spielen eine Rolle – entweder bei der Validierung eines Betrugs oder Nachverfolgung mit einer abgelehnten Transaktion. Wenn eine Karte für mehrere Transaktionen vorenthalten wird, kann eine Person des Karteninhabers rufen, bevor die Karte dauerhaft abbrechen.

Computer-Detektive in der cloud

Die schiere Anzahl der finanziellen Transaktionen zu verarbeiten ist überwältigend, wahrlich, in das Reich von big Data. Aber maschinelles lernen gedeiht auf Berge von Daten – weitere Informationen tatsächlich erhöht die Genauigkeit des Algorithmus, um Fehlalarme zu beseitigen helfen. Diese können ausgelöst werden durch verdächtige Transaktionen, die wirklich seriös sind (zum Beispiel eine Karte, die an einer unerwarteten Stelle verwendet). Zu viele Warnungen sind überhaupt so schlimm wie keiner.

Es braucht einiges an Rechenleistung, um durch diese Datenmengen zu produzieren. Zum Beispiel verarbeitet PayPal mehr als 1,1 Petabytes von Daten für 169 Millionen Kundenkonten zu einem bestimmten Zeitpunkt. Diese Fülle an Daten – ein Petabyte, zum Beispiel, ist mehr als 200.000 DVDs Wert – hat einen positiven Einfluss auf die Algorithmen des maschinellen Lernens, aber kann auch sein eine Belastung für einer Organisation computing-Infrastruktur.

Geben Sie Cloud computing. Off-Site-computing-Ressourcen können hier eine wichtige Rolle spielen. Cloud computing ist skalierbar und nicht begrenzt durch die firmeneigenen computing macht.

Aufdeckung von Betrug ist ein Wettrüsten zwischen guten und Bösen. Im Moment die guten Jungs scheinen, mit neuen Innovationen in es Technologien wie Chip und Pin-Technologien auf dem Vormarsch sein, kombiniert mit Verschlüsselungsfunktionen, maschinelles lernen, big-Data und, natürlich, cloud-computing.

Betrüger werden sicherlich auch weiterhin versuchen, die guten zu überlisten und fordern die Grenzen des Fraud Detection System. Drastische Veränderungen in der Zahlung Paradigmen selbst sind eine weitere Hürde. Ihr Telefon ist jetzt fähig zur Speicherung von Kreditkartendaten und kann verwendet werden, um Zahlungen drahtlos – Einführung neue Sicherheitslücken. Glücklicherweise ist die aktuelle Generation von Fraud-Detection-Technologie weitgehend neutral gegenüber den Zahlung-System-Technologien.

JungWoo Ryoo ist Associate Professor of Information Sciences and Technology Campus Altoona, Pennsylvania State University

Dieser Artikel erschien ursprünglich auf das Gespräch. Lesen Sie den original Artikel.

Bild von Dooder/Shutterstock.