Petosten torjunta

Petoksia torjuva teknologia on ottanut merkittäviä edistysaskelia laskentatehojen kasvaessa (suuritehoinen analytiikka) ja koneoppimisen ja muiden tekoälysovellusten kehittyessä. Petokset koskettavat kaikkia elämänalueita: ne nostavat hyödykkeiden ja palvelujen hintoja, johtavat verorahojen haaskaamiseen, vievät resursseja innovaatiolta ja maksavat jopa ihmishenkiä.

• Historia
•     
• Nykyhetki
•     
• Käyttäjät
•     
• Toiminnallisuus
•     
• Seuraavaksi

Historia

Petoksiin voi kuulua varojen haaskaamista tai väärinkäyttöä, laittomia maksuja, rahanpesua, terrorismin rahoittamista ja siihen liittyy yleinen turvallisuus ja kyberturvallisuus. Aiemmin organisaatioilla ei ollut muuta vaihtoehtoa kuin lähestyä petosten torjuntaa kehittymättömillä toimilla, kuten liiketoimintasäännöillä ja alkeellisella analytiikalla. Niiden tuottamasta tietoaineistoista etsittiin poikkeamia ja suoritettiin hälytyksiä. 

Dataa ei voitu automaattisesti vertailla, eivätkä tutkijat voineet seurata liiketoimia reaaliajassa, vaan se oli tehtävä jälkikäteen. Terveydenhuollossa petokset johtivat usein ns. ”maksa ja peri” -tilanteeseen, jossa asiakkaan korvausvaatimuksiin suostuttiin miltei automaattisesti ja petollisiksi havaituista vaatimuksista yritettiin periä rahoja takaisin jälkikäteen. Yleensä rikolliset olivat jo kaukana, kun petos havaittiin.

Petosten torjumiseksi on kehitetty uutta teknologiaa, jolla ennustetaan tavallisimpia petostaktiikoita, paljastetaan uusia hankkeita ja selvitetään jatkuvasti hienostuneempia järjestäytyneitä petosverkostoja. Tähän tarvitaan perinteistä analytiikkaa vahvempia keinoja eli ennustavia ja mukautuvia analytiikkakeinoja, kuten koneoppimisena tunnettua tekoälyn muotoa. Kun datalähteet yhdistetään ajantasaiseen seurantaan ja riskiprofiilien analyysiin, on petosten torjunnassa käännetty suunta ulos tappioiden kierteestä.

Petosten havaitseminen nykyisin

Jatkuvasti monimutkaistuvan valtiorahoitteisen terrorismin, ammattirikollisten ja muiden yksittäisten toimijoiden toimintaa on nykyään vaikea hahmottaa, seurata, paljastaa ja ehkäistä. Nykypäivän maailmassa petoksia havaitaan kokonaisvaltaisella lähestymistavalla, jossa tietopisteitä verrataan tapahtumiin, ja havaitaan poikkeamia. Huijarit ovat kehittäneet hienostuneita tekniikoita, joten on elintärkeää pysyä tietoisena järjestelmän hyödyntämistavoista.

Kyberturvallisuusloukkaukset mahdollistavat usein petollisen toiminnan. Esimerkiksi vähittäiskaupassa tai rahoituspalveluissa maksutapahtumien reaaliaikainen seuranta oli ennen luksusta. Nyt se on vähimmäisvaatimus niin maksutapahtumissa kuin tunnistautumista, istuntoa, sijaintia ja laitetta koskevassa digitaalisessa tapahtumatiedossa.

Organisaatioiden kannattaa noudattaa seuraavia neljää vaihetta tunnistaakseen ja estääkseen erilaisia petoksia – ja parantaakseen samalla asiakkaiden ja kansalaisten kokemuksia:

1. Yhtenäistä saatavilla olevat datatyypit eri lähteistä tai kanavista ja siirrä ne osaksi analytiikkaprosesseja.
2. Seuraa jatkuvasti maksutapahtumia, sosiaalisia verkostoja, korkean riskin poikkeamia jne. ja käytä käyttäytymistä seuraavaa analytiikkaa reaaliaikaiseen päätöksentekoon.
3. Luo koko yritykseen analytiikkakulttuuri. Hyödynnä datan visualisointia kaikilla tasoilla. Älä unohda työnkulun optimointia.
4. Ota käyttöön kerroksittaisia turvallisuustekniikoita.
   
   

Petosten havaitsemiseen ja torjuntaan valitun teknologian on oltava niin edistynyttä, että se pystyy tekoälyn avulla tulkitsemaan kompleksista dataa ja myös oppimaan siitä. Sen on minimoitava väärien positiivisten hälytysten määrä sekä havaittava suhteita ja muutoksia verkostoissa, joissa yritys on osallisena. Näin saadaan parempi kokonaiskuva rikollisten ja huijareiden toiminnasta. Oikean teknologian avulla tutkijat selviävät vähemmällä manuaalisella työllä ja voivat käyttää aikansa olennaiseen.

Sääntöpohjaisiin menetelmiin rajoittumisen sijaan paljon tehokkaammaksi on osoittautunut yhdistää edistyksellisiä koneoppimismalleja, kuten neuroverkkoja, jo toimiviksi havaittuihin menetelmiin kuten päätöspuihin ja regressiomalleihin.

Miten petosten torjuminen toimii

Petosten havaitseminen ja torjuminen ei ole staattinen prosessi, eikä sillä ole alkua ja loppua. Se on enemmänkin jatkuva sykli, joka sisältää tarkkailua, havainnointia, päätöksentekoa, tapausten hallintaa ja sen oppimista, miten havainnot syötetään takaisin järjestelmään. Organisaatioiden tulisi pyrkiä oppimaan jatkuvasti petostapauksista ja ottaa tulokset osaksi tulevaa tarkkailua ja havainnointiprosesseja. Tämä vaatii sitä, että koko yritys noudattaa analytiikan elinkaareen perustuvaa ajattelua.

Tavoitteita voivat olla petosten havaitseminen, lain noudattaminen tai turvallisuus. Kun tekoälyn ja koneoppimisen kaltaiset teknologiat yleistyvät, seuraavan sukupolven teknologiat automatisoivat manuaalisia prosesseja, jotka liittyvät suurten tietomäärien kokoamiseen ja käyttäytymismallien analysointiin.