تشخیص تقلب در کارت اعتباری: یادگیری ماشینی؛ بهترین راهکار

تشخیص تقلب در کارت اعتباری

ما در دنیایی زندگی می­‌کنیم که در آن تراکنش‌­های نقدی به سرعت با تراکنش­‌های کارت اعتباری جایگزین می‌­شوند. این تغییر فرصتی را برای پرونده‌های کلاهبرداری کارت اعتباری ایجاد کرده است تا تکامل پیدا کنند و پیچیده‌تر شوند. به همین جهت تشخیص فرآیند کشف تقلب در تراکنش­های کارت اعتباری نیز، باید تکامل یافته و متحول شوند.

کشف تقلب کارت اعتباری با استفاده از یادگیری ماشینی، تحولی در پیشگیری از کلاهبرداری کارت اعتباری ایجاد کرده است. فناوری یادگیری ماشینی می‌تواند حجم عظیمی از داده‌های تراکنش را تجزیه و تحلیل کند و ناهنجاری‌هایی را در داده‌ها شناسایی کند که ممکن است از چشم انسان‌ها مخفی بمانند.

بر اساس جدیدترین داده­‌های موجود در مورد کلاهبرداری کارت اعتباری، ارائه دهندگان خدمات مالی در سال 2018 بیش از 27 میلیارد دلار به دلیل اتهامات جعلی از دست داده‌اند. کارشناسان پیش بینی می‌کنند که ارائه دهندگان خدمات مالی تا سال 2027 بیش از 40 میلیارد دلار به دلیل هزینه‌های جعلی ضرر خواهند کرد. تقلب مشکل بزرگی برای شرکت‌های کارت اعتباری و سایر موسسات مالی است. الگوریتم‌های یادگیری ماشین و سایر نوآوری‌های فین‌تک می‌توانند به کاهش تراکنش‌های تقلبی کارت اعتباری کمک کرده و از ارائه‌دهندگان خدمات مالی و مشتریانشان محافظت کنند.

کارت اعتباری

بیایید نگاهی دقیق‌تر به نحوه عملکرد یادگیری ماشین بیندازیم، موارد معمول کلاهبرداری از کارت اعتباری چگونه به نظر می‌رسند و چگونه یادگیری ماشینی می‌تواند به ارائه‌دهندگان خدمات مالی کمک کند تا تقلب را پیش از آنکه پولی از دست بدهند شناسایی کنند.

 

یادگیری ماشین چگونه کار می کند؟

فناوری‌های یادگیری ماشین بر الگوریتم‌های پیشرفته تجزیه و تحلیل داده‌ها تکیه دارند. یکی از رایج‌ترین و محبوب‌ترین الگوریتم‌های مورد استفاده در برنامه‌های یادگیری ماشینی، مدل درخت تصمیم است. درختان تصمیم می‌توانند خیلی سریع پیچیده شوند، به خصوص زمانی که برای استخراج و تجزیه و تحلیل مقادیر زیادی از داده‌ها استفاده شوند.

به عبارت ساده، مدل درخت تصمیم از یک سؤال ریشه‌ای اساسی پیروی می‌کند و به شاخه‌های دقیق‌تر و خاص‌تر منشعب می‌شود که در نهایت به نقاط انتهایی یا برگ‌های درخت ختم می‌شود. هر چه درخت تصمیم با جزئیات بیشتر و لایه لایه‌تر شود، اطلاعات بیشتری را می‌تواند یاد بگیرد.

یک مثال اساسی از درخت تصمیم چیزی شبیه به این خواهد بود:

درخت تصمیم بالا بسیار ابتدایی است، اما این نمونه‌ای از الگوهایی است که برای یادگیری اطلاعات استفاده می‌شوند. درخت‌های تصمیم پیچیده در الگوریتم‌های یادگیری ماشین برای کمک به یافتن و پیش‌بینی فعالیت‌های متقلبانه کارت اعتباری در میان بسیاری از برنامه‌های بالقوه دیگر استفاده می‌شوند.

مدل درخت تصمیم ابزار بسیار قدرتمندی در زمینه یادگیری ماشینی است. یک درخت تصمیم می‌تواند کل مجموعه داده‌های کلاهبرداری کارت اعتباری یک ارائه‌دهنده خدمات مالی را در بر بگیرد، اما دقت و قدرت این ابزار همچنان قابل بهبود است. چه چیزی بهتر از یک درخت؟ یک جنگل کامل!

جنگل تصادفی مجموعه ای از درختان تصمیم است. به جای استفاده از یک درخت تصمیم واحد برای کل مجموعه داده، یک جنگل تصادفی درخت‌های تصمیم تصادفی را برای زیر مجموعه‌های داده خاص ایجاد می‌کند و سپس نتایج را با هم میانگین می‌گیرد تا تصمیم نهایی را بگیرد. مدل جنگل تصادفی به طور مداوم نتایج دقیق‌تری را نسبت به مدل درخت تصمیم ارائه می دهد.

فن‌آوری‌های یادگیری ماشین تعدادی از الگوریتم‌ها و تکنیک‌های مختلف را برای تولید دقیق‌ترین و پیشرفته‌ترین مدل‌ها ترکیب می‌کنند. ارائه‌دهندگان خدمات مالی می‌توانند از قدرت یادگیری ماشین و داده‌کاوی برای کمک به شناسایی تقلب و پیش‌بینی مکان بعدی آن استفاده کنند. ابزارهای فین‌تک مانند این، می‌توانند به شرکت‌ها میلیاردها دلار در زیان‌های جعلی کمک کنند.

کارت اعتباری

چه فعالیت‌هایی باعث کلاهبرداری از کارت اعتباری می‌شود؟

اولین چیزی که احتمالاً با شنیدن عبارت کلاهبرداری از کارت اعتباری به آن فکر می کنید، اطلاعات هویتی و کارت اعتباری به سرقت رفته است. با این حال، تأثیر کلاهبرداری از کارت اعتباری بیشتر از اینهاست. کلاهبرداری از کارت اعتباری نه تنها بر صاحبان کارت بلکه بر تعدادی از مشاغل و افراد مختلف تأثیر می­گذارد، از جمله:

  • دارندگان کارت
  • بانک‌های صادر کننده
  • صاحبان بانک ها
  • ارائه دهندگان درگاه پرداخت
  • شرکت‌های پردازش پرداخت
  • سیستم های پرداخت با کارت اعتباری

کارت اعتباری

رایج ترین شکل کلاهبرداری از کارت اعتباری سوء استفاده از اطلاعات شخصی دزدیده شده یا شماره کارت اعتباری دزدیده شده است، اما پولشویی یکی دیگر از شکل های نوظهور کلاهبرداری از کارت اعتباری است که می تواند بر مشاغل و موسسات مالی تأثیر منفی بگذارد.

از آنجایی که روزانه تعداد زیادی تراکنش آنلاین انجام می شود، مجرمان دریافته‌اند که می توانند یک سری تراکنش‌های جعلی را از طریق بازارهای قانونی ایجاد کنند تا پول خود را به صورت دیجیتالی شستشو دهند. پردازش پرداخت آنلاین شامل تعدادی ارائه‌دهنده خدمات مالی مختلف و شرکت‌هایی است که پولشویی‌ها اغلب می‌توانند آن‌ها را از معرض دید عموم پنهان کنند.

تراکنش‌های متقلبانه ناشی از اطلاعات دزدیده شده و تراکنش های تقلبی ایجاد شده برای پولشویی، هر دو این پتانسیل را دارند که بر کسب و کارهای آنلاین تأثیر منفی بگذارند. اکثر شبکه‌های اصلی کارت اعتباری مانند AmEx، Visa یا Mastercard در صورتی که یک کسب‌وکار نرخ کلاهبرداری بیش از حد بالا را نشان دهد، پردازش پرداخت را قطع می‌کنند. هر شرکتی خط مشی خاص خود را دارد، اما به طور کلی، اگر نرخ تقلب در یک کسب و کار بیشتر از یک درصد باشد، آنها در معرض خطر از دست دادن توانایی پردازش کامل پرداخت های کارت اعتباری هستند.

کارت اعتباری

روش‌های مورد استفاده برای سرقت اطلاعات کارت اعتباری، شستن پول‌های کثیف و ارتکاب کلاهبرداری از کارت اعتباری همواره بهتر و پیشرفته تر می‌شوند. فناوری یادگیری ماشینی به ارائه‌دهندگان خدمات مالی این امکان را می‌دهد تا با نوآوری‌های شیادان و کلاه­برداران همگام شوند، از مشتریان خود محافظت کنند و میزان پولی را که به دلیل کلاهبرداری از دست می‌دهند به صورت سالانه کاهش دهند.

 


 

ترجمه و تلخیص: ارژنگ طالبی‌نژاد

منبع: Credit Card Fraud Detection: Machine Learning at its Best

میانگین آرا: 0 / 5. شمارش رای‌ها: 0

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *