راه پرداخت
راه پرداخت؛ رسانه فناوری‌های مالی ایران

سدی در برابر یک تجارت میلیارد دلاری / سیستم‌های کشف تقلب دنیا چگونه جلوی خسارت‌ها را میگیرند؟

در دنیای امروز شرکت‌هایی موفق خواهند بود که بتوانند راهکارهای کشف تقلب و همچنین بهداشت سایبری خود را ارتقا داده تا بتوانند حتی در صورت وقوع اقدامات خرابکارانه، با کمترین خسارت از خود دفاع کنند

امروزه تقلب که قدمتی به‌اندازه زندگی بشریت دارد، یک کسب‌وکار چندین میلیون دلاری در سطح دنیا محسوب شده که حجم مالی آن روزبه‌روز در حال افزایش است. توسعه فناوری‌های جدید راه‌های زیادی برای پیشبرد اهداف متقلبان بازکرده است. ایجاد یک سیستم اطلاعاتی جدید، علاوه بر تمامی مزایا و منافعی که دارد، ممکن است فرصت‌های بیشتری را برای ارتکاب تقلب و تخلف در اختیار مجرمان قرار دهد.

امروزه، گسترش کاربردهای فناوری اطلاعات به‌صورت قابل‌توجهی ریسک مؤسسات مالی را افزایش داده و باعث شده است استفاده از راهکارهای نظارتی و سیستم‌های کشف تقلب به‌منظور جلوگیری از پول‌شویی، شناسایی نفوذ، دسترسی غیرمجاز به اطلاعات و جلوگیری از اقدامات متقلبانه در سیستم‌های بانکداری مسئله‌ای ضروری و اجتناب‌ناپذیر باشد. هرساله کلاه‌برداری‌های آنلاین میلیاردها دلار به شرکت‌ها خسارت وارد می‌کند. جالب است بدانید که ۱۰ تا ۱۵ درصد از درآمدهای صنایع بانکی، بیمه، مخابرات، سلامت و موارد دیگر با انجام اقدامات متقلبانه از بین می‌رود.

با رشد روزافزون اقدامات متقلبانه، مرچنت‌های آنلاین روزبه‌روز باید با آخرین تکنیک‌های کشف تقلب تطبیق پیدا کنند. زمانی که روش‌های جلوگیری از تقلب در برابر عوامل ناشناخته ناکام می‌مانند، استفاده مداوم از تکنیک‌های کشف تقلب بسیار حیاتی است. برای جلوگیری و کشف تقلب در بخش‌های کسب‌وکاری روش‌های متنوعی به کار می‌رود. از انواع این روش‌ها می‌توان به کشف ناهنجاری، شبکه‌های عصبی مصنوعی و نمایه کاربر اشاره کرد که در ادامه هریک از این موارد به اختصار توضیح داده خواهد شد.


کشف ناهنجاری


این روش به تشخیص الگوهای موجود در یک مجموعه داده که با الگوهای از پیش مقررشده، مطابقت ندارد، اشاره دارد. استفاده از این روش در حوزه کارت اعتباری سودمند بوده است. شناسایی مرز میان مجموعه داده‌های نرمال و غیرنرمال چالش‌برانگیز است چراکه هنگامی‌که ناهنجاری‌ها درنتیجه رفتارها یا فعالیت‌های خرابکارانه به وقوع می‌پیوندند، خرابکارها سعی دارند خود را به‌صورت بهنجار نشان دهند تا طبیعی به‌نظر برسند؛ بنابراین به‌کارگیری این تکنیک می‌تواند دشوار باشد روش تشخیص ناهنجاری، در حوزه‌های مختلف، مانند سامانه تشخیص نفوذ، عیب‌یابی، نظارت بر سلامت سیستم و شبکه‌های حس‌گر قابل‌اجرا است.


شبکه‌های عصبی مصنوعی


سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشین، نمایش دانش و درنهایت اعمال دانش به‌دست‌آمده در جهت پیش‌بینی پاسخ‌های خروجی از سیستم‌های پیچیده هستند. به‌بیان‌دیگر، شبکه‌های عصبی مصنوعی روشی است که دانش ارتباط بین چند مجموعه داده را از طریق آموزش فراگرفته و برای استفاده در موارد مشابه ذخیره می‌کند. ایده اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی برای پردازش داده‌هاست. این سیستم‌ها از اطلاعاتی چون درآمد افراد و تراکنش‌های قبلی استفاده می‌کنند و به‌واسطه یک‌سری از الگوریتم‌های تراکنش‌های آتی را پیش‌بینی می‌کنند.


رخ‌نمای کاربر


نمایش تصویری از مشخصات رایانه‌ای یا داده‌های شخصی مرتبط با یک کاربر خاص که به هویت دیجیتال فرد اشاره می‌کند. این فرآیند می‌تواند برای ارزیابی سوابق مشکوک افراد در هنگام ارائه درخواست استفاده می‌شود. می‌توان از رفتار گذشته یک فرد برای ایجاد یک رخ‌نمای کاربر استفاده کرد. برای بررسی تراکنش‌های آتی می‌توان به این رخ نمای ایجادشده مراجعه کرد و همچنین اقدامات فعلی و پیشین فرد را مورد مقایسه قرار داد.


استارت‌آپ‌هایی که در خصوص جلوگیری از تقلب اقداماتی انجام داده‌اند


ایم‌برین (AimBrain)

این شرکت انگلیسی برای جلوگیری از کلاه‌برداری از حساب‌های بانکی جدید از یادگیری ماشین استفاده می‌کند. نرم‌افزار احراز هویت این شرکت داده‌های کارت شناسایی را با الگوهای صوتی، حرکتی و حالت چهره ترکیب می‌کند تا یک محافظ پیچیده برای کاربران جدید و پیشین ایجاد کند.

کلیفای (Cleafy)

این شرکت ایتالیایی یک پلتفرم مقیاس‌پذیر کشف مستمر تقلب و ارزیابی ریسک برای خدمات مالی و دیگر صنایع ارائه کرده است. کلیفای روی قابلیت «پایش ضد تقلب» که به‌طور مستمر تراکنش‌های مالی را رصد می‌کند تا فعالیت‌های مشکوک را کشف کند و همچنین قابلیت «مشاهده ضد تقلب» که تضمین می‌کند که سازمان‌های مالی ضمن حفظ امنیت حساب‌های مشتریان خود، به‌صورت فوری تهدیدات را شناسایی و حذف کند، متمرکز است.

اکسپرین (Experian)

این شرکت ایرلندی پلتفرم‌های متعددی برای پیشگیری از کلاه‌برداری ارائه داده است که به چند مورد از آن‌ها اشاره می‌کنیم.

  • DETECT

دیتکت یک سیستم کشف تقلب آنلاین و آنی است که در سراسر کارکردهای اعتباری کاربران به کار می‌رود و تحلیل‌گران داده با دراختیارداشتن این پایگاه داده با بیش از ۱۰۰ میلیون کارکرد، می‌توانند از روش تشخیص نابهنجاری و دنباله‌ای از قواعد از پیش طراحی‌شده و یک سیستم کارت امتیازی بهره برده تا هرگونه بی‌نظمی در کارکردهای فعلی را مشخص کنند و همچنین امکان بررسی‌های بیشتر در آینده را فراهم کنند.

  • Hunter II

هانتر ۲ برای انطباق با مجموعه‌ای از قواعد پیچیده، یک سری از الگوریتم‌های متناظر داده‌ای را پیاده‌سازی می‌کند. این مجموعه قواعد که در هانتر ۲ پیکربندی شده است، به شناسایی ناهنجاری‌ها در مجموعه داده‌های فعلی و همچنین به تعیین مواردی که فرد جزئیات داده‌ای خود در یک کارکرد را جعل کرده است کمک می‌کند.
به‌علاوه هانتر ۲، برای آشکارسازی ارتباط میان کارکردهای فعلی و قبلی به کار می‌رود که جعلی بودن آن‌ها مورد تأیید یا تردید قرار گرفته است.

  • st Parameter 41

این سیستم راهکاری قدرتمند و هوشمندانه است که یک روش چندلایه برای شناسایی دستگاه ارائه می‌دهد. هدف اصلی st Parameter 41 حفاظت از کسب‌وکارها در برابر خطر تراکنش‌های غیرمجاز است.
st Parameter 41 می‌تواند هر دستگاهی که به وب‌سایت یک شرکت دسترسی دارد را شناسایی و رصد کند و هرگونه فعالیت‌های مشکوک را مشخص سازد.

  • Fraud Networks

این سیستم صرفاً به کلاه‌برداری‌های شخص ثالث اشاره دارد و توسط سازمان‌ها به کار می‌رود تا از حملات حلقه‌های کلاه‌برداری و عملیات‌های جنایی سازمان‌یافته جلوگیری کنند.
ابزارهای Fraud Networks با تجزیه‌وتحلیل داده‌ها هرگونه ارتباط بالقوه میان داده‌های کارکرد جدید و حساب‌های کاربری جعلی شناخته‌شده را مشخص می‌کند. از طریق ابزارهای مقایسه، می‌توان این ارتباطات بالقوه را کشف کرد و سازمان‌ها را از احتمال اقدامات متقلبانه مطلع ساخت.

امانی (Amani)

یک استارت‌آپ اماراتی است که در حوزه امور مالی، تجارت الکترونیکی و دیگر صنایع، یک پلتفرم اعتبارسنجی کارت شناسایی با قابلیت مدیریت ریسک مبتنی بر هوش مصنوعی ارائه کرده است. این پلتفرم شامل یک ماژول ضبط خودکار کارت شناسایی، سیستم شناسایی بیومتریک ۴D و الگوریتم‌های تجزیه‌وتحلیل تقلب است.

نیم‌اسکن (NameScan)

این استارت‌آپ استرالیایی نرم‌افزاری برای مبارزه با پول‌شویی و تروریسم ارائه می‌دهد. این نرم‌افزار امکان بررسی فوری مشتریان در فهرست اشخاص دارای پست و مقام سیاسی یا تحریم شده و همچنین بررسی تاریخچه مالی و تسهیل فرآیند راستی آزمایی را فراهم می‌کند.

سیگنیفاید (Signifyd)

این شرکت آمریکایی پلتفرمی ارائه داده است که به‌منظور کشف تقلب از هوش مصنوعی و یادگیری ماشین و کلان‌داده‌ها برای شناسایی خودکار ناهنجاری‌هایی چون تصاحب حساب، فروش غیرمجاز و سوءاستفاده از تبلیغات استفاده می‌کند. به‌علاوه، سیگنیفاید برای خرده‌فروشان یک نمای منحصربه‌فرد از تمام اطلاعات تراکنش ارائه می‌کند تا به‌طور آگاهانه تصمیم‌گیری کنند.

سیفت (Sift)

سیفت دیگر شرکت آمریکایی، یک پلتفرم دیجیتالی یکپارچه ارائه داده است که به مشتریان امکان می‌دهد از تعاملات خود محافظت کرده و برای بهینه‌سازی رشد خود از یادگیری ماشین استفاده کنند. سیفت از کاهش استرداد وجه، جلوگیری از کلاه‌برداری‌های مربوط به تراکنش‌ها و حفاظت از هرزنامه‌ها گرفته تا حفاظت از تصاحب حساب و اعتبارسنجی داخلی، راهکارهایی را برای شرکت‌های مالی و تجارت الکترونیک فراهم می‌کند.

کلیرسیل (ClearSale)

پلتفرمی که این شرکت آمریکایی ارائه داده است یک راهکار جامع برای پیشگیری از کلاه‌برداری‌های تجارت الکترونیک است که از هوش مصنوعی، تکنیک‌های پیشرفته آماری و گروهی از تحلیل‌گران تخصصی حوزه کلاه‌برداری بهره می‌گیرد. این پلتفرم به شرکت‌ها امکان می‌دهد درآمدهای خود را افزایش دهند و یک تجربه مشتری بهتر ایجاد کنند. این پلتفرم یک الگوریتم آماری اختصاصی دارد که سفارش‌های مشتری را بررسی می‌کند تا الگوهای متداول کلاه‌برداری را شناسایی کند. به‌علاوه این الگوریتم می‌تواند با قواعد کلاه‌برداری که برای یک کسب‌وکار خاص طراحی شده‌اند و با یک پلتفرم یادگیری ماشین یکپارچه‌سازی شده‌اند، سفارشی‌سازی شود تا با تاکتیک‌های کلاه‌برداری منحصربه‌فرد سازگاری یابد.

ادوا-اسمارت (AdvaSmart)

ادوا-اسمارت که توسط شرکت آمریکایی ادواریسک ارائه شده است، یک نرم‌افزار پیشگیری از کلاه‌برداری مجهز به هوش مصنوعی است که روی پلتفرم‌های راستی‌آزمایی و پایش کار می‌کند و تراکنش‌های منفی اعتباری را برای شناسایی کلاه‌برداری‌های بالقوه مشخص می‌کند. این پلتفرم به‌منظور شناسایی کلاه‌برداری‌ها امکان دسترسی به اطلاعات مالی آنی شرکت‌ها را فراهم می‌کند.

آلسا (Alessa)

آلسا محصول شرکت کانادایی CaseWare، راهکاری است که اقدامات ضد پول‌شویی و پیشگیری از کلاه‌برداری را آسان و مقرون‌به‌صرفه می‌کند. این نرم‌افزار از داده‌های هوش ریسک و الگوریتم‌های یادگیری ماشین بهره می‌برد تا ریسک‌های جرائم مالی که بانک‌ها، فین‌تک‌ها و شرکت‌های بیمه‌ای با آن مواجه هستند را کنترل کند. آلسا با ویژگی‌های پیشرفته خود می‌تواند به‌طور مداوم فرآیندهای داخلی را پایش کند تا خرابی‌ها را شناسایی کرده و از اتلاف زمان و پول جلوگیری کند.

اف‌کیس (FCase)

اف‌کیس یک شرکت بریتانیایی است که برای کمک به شرکت‌های فعال در حوزه خدمات مالی، بانکداری و بیمه روی فناوری پیشرفته‌ای برای پیشبرد تحقیقات کلاه‌برداری آن‌ها کار می‌کند.
اف‌کیس از قابلیت «Fraud Orchestration» بهره می‌گیرد. این قابلیت یک چارچوب کلاه‌برداری متمرکز برای شرکت‌ها طراحی می‌کند تا کلاه‌برداری‌ها و رفتارهای تراکنشی را تجزیه‌وتحلیل کنند و همچنین یک نمای منحصربه‌فرد از تحقیقات مربوط به کلاه‌برداری ارائه می‌دهد تا از فعالیت‌های متقلبانه آتی جلوگیری کند.

در پایان باید گفت که هر چه شرکت‌ها و مؤسسات مالی در زمینه کشف تقلب پیشرفت کنند، متقلبان و کلاه‌برداران سایبری نیز از پیشرفت‌های حوزه فناوری استفاده کرده و راه‌های دیگری برای نفوذ پیدا می‌کنند. درواقع این کشمکش‌ها احتمالاً تا ابد ادامه خواهد داشت و در این مسیر شرکت‌هایی موفق خواهند بود که بتوانند راهکارهای کشف تقلب و همچنین بهداشت سایبری خود را ارتقا داده تا بتوانند حتی در صورت وقوع اقدامات خرابکارانه، با کمترین خسارت از خود دفاع کنند.

ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.