Świadomość oszustw i zapobieganie im

W obszarze technologii przeciwdziałania nadużyciom poczyniono ogromne postępy za sprawą coraz większych mocy obliczeniowych (wysoko wydajna analiza), uczenia maszynowego oraz innych form sztucznej inteligencji (AI). Z oszustwami możemy mieć do czynienia w każdym aspekcie naszej codzienności. Zjawisko to powoduje wzrost cen, jakie płacimy za towary i usługi, jest przyczyną marnotrawienia wpływów podatkowych, zużywa zasoby przeznaczone na innowacje, a nawet zabiera ludzkie życia.

• Historia
•     
• Teraźniejszość
•     
• Kto z tego korzysta
•     
• Jak to działa
•     
• Kierunki rozwoju

Historia

Oszustwa mogą wiązać się z marnotrawstwem i nadużyciami, wypłatami nienależnych świadczeń, praniem brudnych pieniędzy, finansowaniem terroryzmu oraz zagrożeniami dla bezpieczeństwa publicznego i cyberbezpieczeństwa. W przeszłości organizacje podejmowały działania służące zapobieganiu oszustwom niejako z doskoku – przy użyciu reguł biznesowych i podstawowych narzędzi analitycznych wykrywały anomalie i tworzyły alarmy, opierając się na oddzielnych zbiorach danych. 

W przypadku takiego modelu postępowania nie dało się wyszukiwać wzajemnych odniesień w danych w zautomatyzowany sposób, a osoby, które zajmowały się ich badaniem, nie mogły ręcznie monitorować transakcji i przestępstw w czasie rzeczywistym, tylko dopiero po fakcie. W obszarze ochrony zdrowia zapobieganie przestępstwom przypominało raczej mechanizm „płać i ścigaj”, ponieważ w chwili wykrycia oszustwa przestępca był już daleko.

W ramach walki z nadużyciami opracowano nowszą technologię umożliwiającą przewidywanie typowych taktyk, odkrywanie nowych procederów i rozpracowywanie coraz sprytniejszych szajek oszustów. Mowa tu o bardziej zaawansowanych niż standardowe rozwiązaniach analitycznych, wykorzystujących techniki analizy predykcyjnej i adaptacyjnej, w tym jedną z form AI, zwaną uczeniem maszynowym. Dzięki połączeniu źródeł big data z monitorowaniem w czasie rzeczywistym i analizą profilu ryzyka w celu dokonania jego oceny obszar zapobiegania oszustwom rozwinął się i zaczął przyczyniać do ograniczania strat.

Wykrywanie nadużyć w dzisiejszym świecie

Ze względu na zyskujące na złożoności sposoby działania terroryzmu sponsorowanego przez państwa, zawodowych przestępców i zwykłych złoczyńców coraz trudniej jest te zjawiska zrozumieć, nadążyć za nimi, ujawniać je i im zapobiegać. W dzisiejszym świecie wykrywanie oszustw wymaga stosowania kompleksowych metod dopasowywania punktów danych do działań w celu wykrycia nieprawidłowości. Oszuści stosują złożone taktyki, dlatego niezwykle ważne jest, by być na bieżąco ze zmieniającymi się metodami obchodzenia systemów.

Często się zdarza, że oszukańcze działania stają się możliwe w wyniku naruszeń cyberbezpieczeństwa. Weźmy na przykład obszar handlu lub usług finansowych – kiedyś był to luksus, natomiast dziś monitorowanie transakcji w czasie rzeczywistym to podstawowy wymóg, nie tylko w kontekście transakcji finansowych, lecz również cyfrowych danych na temat zdarzeń związanych z uwierzytelnianiem, sesją, lokalizacją i urządzeniem.

Aby szybko i dokładnie zidentyfikować i powstrzymać szereg ataków i przestępstw o oszukańczym charakterze, podnosząc jednocześnie jakość obsługi klientów i obywateli, organizacje powinny wykonać cztery ważne kroki:

1. Zebrać i ujednolicić wszystkie dostępne typy danych pochodzących z różnych działów lub kanałów i uwzględnić je w procesie analitycznym.
2. Stale monitorować transakcje, sieci społecznościowe, nieprawidłowości o wysokim stopniu ryzyka itp. oraz stosować analizę behawioralną, aby umożliwić podejmowanie decyzji w czasie rzeczywistym.
3. W całym przedsiębiorstwie zaszczepić kulturę analityczną przewidującą posługiwanie się wizualizacjami danych na wszystkich szczeblach, z uwzględnieniem optymalizacji obiegu zadań badawczych.
4. Wykorzystywać warstwowe techniki zabezpieczeń.
   
   

Stosowana przez Ciebie technologia wykrywania nadużyć i zapobiegania im powinna umieć uczyć się na podstawie złożonych wzorców danych. Warto, by wykorzystywała zaawansowane modele decyzyjne, aby można było lepiej zarządzać wynikami fałszywie dodatnimi i wykrywać powiązania sieciowe w celu uzyskania całościowego obrazu działalności oszustów i przestępców. Połączenie metod uczenia maszynowego – takich jak sieci neuronowe wykorzystywane w uczeniu głębokim, ekstremalne wzmocnienie gradientowe i maszyny wektorowe – oraz sprawdzonych metod, np. regresji logistycznej, sieci Kohonena, lasów losowych i technik ensemble – okazuje się o wiele dokładniejsze i skuteczniejsze niż podejścia oparte na regułach.

Na czym polega przeciwdziałanie nadużyciom

Wykrywanie nadużyć i zapobieganie im nie jest procesem statycznym. Nie ma tu początku ani końca – to raczej nieprzerwany cykl obejmujący monitorowanie, wykrywanie, podejmowanie decyzji, zarządzanie przypadkami i uczenie się, jak sprawić, by system mógł zyskiwać dzięki ulepszeniom w zakresie wykrywania. Organizacje powinny stale wyciągać z oszustw wnioski, a uzyskane wyniki wykorzystywać w przyszłych procesach monitorowania i wykrywania. Aby w ten sposób działać, należy w całym przedsiębiorstwie przyjąć podejście oparte na cyklu życia analityki.

Twoje cele mogą obejmować wykrywanie oszustw, utrzymanie zgodności z przepisami lub zapewnienie bezpieczeństwa. Jako że obszary takie jak sztuczna inteligencja i uczenie maszynowe stają się coraz bardziej powszechne, kolejna generacja technologii skupia się na automatyzacji realizowanych ręcznie procesów związanych z łączeniem dużych zbiorów danych i stosowaniem analityki behawioralnej.