الگوریتم اختصاصی مسترکارت برای تشخیص کلاهبرداری در امور مالی

به گزارش پیوست، تحقیقات نشان داده که از نگاه فعالان بانکی، تشخیص و جلوگیری از کلاهبرداری یکی از حوزه‌های مهم استفاده از هوش مصنوعی در سال‌های پیش رو است و فعالان این حوزه آن را اولویت خود می‌دانند. الگوریتم مسترکارت با داده‌های بیش از ۱۲۵ میلیارد تراکنش سالانه این شرکت آموزش دیده و در برخی موارد نیز از اکوسیستم متن‌باز کمک می‌گیرد.

حال CNBC به نقل از مسترکارت می‌گوید که مدل هوش مصنوعی این شرکت به نام Decision Intelligence Pro، به بانک‌ها اجازه می‌دهد تا تراکنش‌های مشکوک را بهتر و سریع‌تر در شبکه خود شناسایی و ارزیابی کنند.

اجای بهالا، رئیس واحد سایبری و اطلاعات تجاری مسترکارت، در مصاحبه با CNBC گفت که این راه‌حل جدید یک شبکه عصبی متناوب و اختصاصی است که از صفر توسط تیم‌های امنیت سایبری و ضد کلاهبرداری این شرکت ساخته شده است.

بهالا در مصاحبه خود گفت: «ما از مدل‌های ترنسفورمری استفاده می‌کنیم که به ما کمک می‌کنند قدرت هوش مصنوعی مولد را در اختیار بگیریم. همه چیز در داخل شرکت ساخته شده و ما همه نوع داده‌ای از اکوسیستم را داریم. با توجه به ماهیت کسب‌وکاری که در آن حضور داریم، ما تمام داده‌های تراکنشی که از اکوسیستم به سمت ما می‌آید را مشاهده می‌کنیم.»

مسترکارت در برخی موارد و «در جایی که نیاز باشد» از فناوری متن‌باز هم استفاده می‌کند اما به گفته بهالا «اکثریت» این فناوری در داخل شرکت ساخته شده است.

الگوریتم اختصاصی مسترکارت با استفاده از داده‌های حدود ۱۲۵ میلیارد تراکنشی آموزش دیده که سالانه در شبکه کارتی این شرکت انجام می‌شود.

به گفته مسترکارت، این داده‌ها به هوش مصنوعی اجازه می‌دهد تا برخلاف مدل‌های بزرگ زبانی که بر کلمات تمرکز دارند، رابطه بین دارنده کارت و فروشندگان را درک کرده و محل تراکنش‌های تبهکارانه را پیش‌بینی کند.

الگوهای کلاهبرداری تشخیص حرارت

الگوریتم مسترکارت به جای ورودی‌های متنی از تاریخچه مراجعه مالک کارت به فروشنده به عنوان پرامپت استفاده و مشخص می‌کند که آیا این کسب‌وکار از اهداف معمول کاربر است یا خیر.

این الگوریتم سپس، شبیه به یک رادار حرارتی، مسیرهایی را در شبکه مسترکارت ساخته و پاسخ خود را به صورت یک امتیاز ارائه می‌کند.

هرچه این امتیاز بیشتر باشد، یعنی با رفتار معمول مالک کارت همخوانی دارد و هرچه پایین‌تر باشد یک اقدام خارج از الگو را نشان می‌دهد.

مسترکارت می‌گوید، این فرایند تنها ظرف ۵۰ میلی‌ثانیه انجام می‌شود.

به گفته بهالا این فناوری تصمیم‌گیری تراکنشی می‌تواند عملکرد موسسات مالی در تشخیص کلاهبرداری را به طور میانگین تا ۲۰ درصد بهبود بخشد. اما در برخی موارد تشخیص کلاهبرداری حتی تا ۳۰۰ درصد بهتر انجام می‌شود.

مسترکارت طی پنج سال گذشته بیش از ۷ میلیارد دلار روی امنیت سایبری و فناوری‌های هوش مصنوعی سرمایه‌گذاری کرده است.

بخشی از این هزینه صرف اکتساب‌ها شده و برای مثال این شرکت در ماه مارس ۲۰۲۳ یک شرکت امنیت سایبری سوئدی به نام Baffin Bay Networks را خریداری کرد.

ویزا، شرکت رقیب مسترکارت، نیز روی هوش مصنوعی خاص خود سرمایه‌گذاری کرده از جمله آنها می‌توان به یک صندوق سرمایه‌گذاری جسورانه ۱۰۰ میلیون دلاری برای استارت‌آپ‌های هوش مصنوعی مودل اشاره کرد که در اکتبر ۲۰۲۳ توسط این شرکت راه‌اندازی شد.

با اینکه هنوز برای پیش‌بینی دقیق زود است اما این الگوریتم از نظر مسترکارت به بانک‌ها کمک می‌کند تا با کاهش هزینه‌های مربوط به بررسی تراکنش‌های درست، این دسته از مخارج خود را تا ۲۰ درصد کاهش دهند.

از نظر بهالا، پتانسیل واقعی فناوری مسترکارت در توانایی شناسایی الگوهای و روند‌های تبهکارانه برای پیش‌بینی کلاهبرداری‌های آینده نهفته است،‌ الگوها و روند‌هایی که در حال حاضر ناشناخته هستند.

او می‌گوید: «زیبایی اکوسیستم مسترکارت این است که ما با توجه به این تراکنش‌ها، داده‌های تمامی مشتریان در سراسر جهان را مشاهده می‌کنیم. این موضوع به ما کمک می‌کند تا کلاهبرداری و الگو‌ها را در اکوسیستم جهانی ببینیم.»

شرکت‌های متعددی در حوزه پرداخت و بانکداری دیجیتال به اهمیت هوش مصنوعی در این حوزه و تغییرات بزرگ محصولات‌شان اشاره کرده‌اند. پی‌پل نیز هفته گذشته از عرضه محصولات جدید هوش مصنوعی و بررسی تک‌کلیکی خبر داد.