یک خردهفروش در اوهایو در یک شنبه دسامبر ۴۰,۰۰۰ سفارش آنلاین را تأیید میکند، و در میان این سیل، چند صد سفارش با کارتهای دزدیده شده قرار دارد. تشخیص این دو از هم، در زمان واقعی، بدون دور کردن خریداران واقعی، وظیفه روزانه سیستمهای تشخیص تقلب در آمریکا است. هزینه اشتباه در این کار بزرگ و رو به رشد است: مصرفکنندگان آمریکایی در سال ۲۰۲۴، ۱۲.۵ میلیارد دلار ضرر ناشی از تقلب گزارش کردند که ۲۵٪ افزایش در یک سال داشته است، به گزارش کمیسیون تجارت فدرال. این مقاله به بررسی این میپردازد که این سیستمها در کجا استفاده میشوند، چه چیزی ارائه میدهند، کجا کوتاهی میکنند و فرصتهای پیش رو چیست.
موارد استفاده از سیستمهای تشخیص تقلب در سراسر آمریکا
قابلدیدترین مورد استفاده، پرداختهای کارتی است، جایی که صادرکنندگان و پردازشگرها هر کشیدن، ضربه زدن و خرید آنلاین را امتیازدهی میکنند. پشت آن چندین مورد دیگر قرار دارد. بانکها تشخیص را برای افتتاح حساب برای شناسایی هویتهای مصنوعی، پروفایلهایی که از دادههای واقعی و جعلی برای قبولی در بررسی اعتبار دوخته شدهاند، اجرا میکنند. وامدهندگان درخواستهای وام را از نظر دستکاری اسناد غربال میکنند. بیمهگران ادعاهایی را که با حلقههای تقلب شناخته شده مطابقت دارند، علامتگذاری میکنند.
تصاحب حساب یک دسته جداگانه است، جایی که سیستم مراقب ورود قانونی است که ناگهان مانند یک غریبه رفتار میکند، رمز عبور را تغییر میدهد و سپس پول را جابهجا میکند. فروشندگان لایه خود را روی لایه بانک اجرا میکنند و سفارشهای تجارت الکترونیک را برای جزئیات حمل و نقل و صورتحساب نامتناسب یا الگوی سفارش سریع یک فروشنده مجدد که از کارتهای دزدیده شده استفاده میکند، امتیازدهی میکنند. تیمهای مبارزه با پولشویی از همان ماشینآلات به صورت معکوس استفاده میکنند و جریان تراکنشها را برای ساختاردهی و لایهبندی که وجوه غیرقانونی را از طریق حسابهای قانونی جابهجا میکند، زیر نظر میگیرند.
انتقالهای همتا به همتا و پرداختهای آنی تشخیص را به نقطه دشوارتری کشانده است، زیرا انتقال ارسال شده به سختی قابل برگشت است. این شکاف برگشتپذیری بخشی از دلیلی است که برخی ارائهدهندگان ریلهایی در اطراف آن ساختهاند، یک انتخاب طراحی که TechBullion در مقاله خود درباره درگاه پرداختی که وجوه مشتری را نگه نمیدارد بررسی کرد. هر جا که ارزش به سرعت حرکت میکند، یک لایه تشخیص اکنون در مسیر قرار دارد.
مزایایی که بانکها واقعاً میتوانند اندازهگیری کنند
واضحترین مزیت، جلوگیری از ضرر است. سیستمی که یک حمله آزمایش کارت را قبل از مقیاس شدن میگیرد، دلارهای واقعی را ذخیره میکند و این صرفهجوییها در برابر تقلبی که از آن عبور میکند قابل اندازهگیری است. دومین مزیت، کاهش ردهای نادرست است که مستقیماً بر درآمد تأثیر میگذارد، زیرا یک خرید اشتباهاً مسدود شده اغلب مشتری را به رقیب میفرستد. نرخ تأیید به یک نقطه فروش در میان پردازشگرها تبدیل شده است، موضوعی در راهنمای TechBullion برای پردازش کارت اعتباری در سال ۲۰۲۶.
سومین مزیت سرعت بررسی است. به جای اینکه تحلیلگران هر هشدار را بررسی کنند، مدل آنها را رتبهبندی میکند، بنابراین پرخطرترین موارد ابتدا به انسان میرسند. بانکی که زمانی تحلیلگران هشدارها را به ترتیب ورود باز میکردند، اکنون میتواند ساعات بررسی محدود خود را صرف مواردی کند که به احتمال زیاد واقعی هستند، که هم تقلب بیشتری را میگیرد و هم زمان انتظار مشتریان خوب برای تسویه حساب را کاهش میدهد. بازار ارزشی را که مؤسسات بر آن قائل هستند منعکس میکند. بازار تشخیص و پیشگیری از تقلب ایالات متحده در سال ۲۰۲۴ به حدود ۹.۳ میلیارد دلار رسید و پیشبینی میشود تا سال ۲۰۳۰ به ۲۴.۳ میلیارد دلار برسد، با نرخ رشد مرکب سالانه ۱۷.۹٪، به گزارش Grand View Research.
| مورد استفاده | مزیت اصلی | ریسک اصلی |
|---|---|---|
| پرداختهای کارتی | جلوگیری از ضرر، نرخ تأیید بالاتر | ردهای نادرست در هنگام خرید |
| افتتاح حساب | هویتهای مصنوعی را زود میگیرد | مسدود کردن مشتریان قانونی با پرونده نازک |
| تصاحب حساب | سرقت در میان جلسه را متوقف میکند | اصطکاک اضافی برای کاربران واقعی |
| انتقالهای آنی | قبل از تسویه، کلاهبرداری را علامتگذاری میکند | ضررهای سخت برگشتپذیر در صورت عدم تشخیص |
منابع: کمیسیون تجارت فدرال، Grand View Research.
ریسکها و جاهایی که این سیستمها کوتاهی میکنند
اولین ریسک مثبت کاذب است. هر تراکنش قانونی مسدود شده یک مشتری ناامید و در مجموع، فروش از دست رفته است. دومین ریسک سوگیری است. مدلی که بر روی دادههای تاریخی کج آموزش دیده است میتواند برخی مشتریان را با نرخهای بالاتر بدون قصد کسی رد کند، که هم برای وامدهندگان آمریکایی ریسک انصاف و هم نظارتی به همراه دارد.
سومین ریسک دشمن است. تقلب یک هدف ثابت نیست. به محض اینکه مدل یک الگو را یاد میگیرد، مجرمان تاکتیک را تغییر میدهند، بنابراین سیستمی که بر روی دادههای تازه بازآموزی نشود به آرامی تحلیل میرود. این رانش مدل است و خاموش است: دقت برای هفتهها کاهش مییابد قبل از اینکه کسی متوجه افزایش نرخ تقلب شود. ابزارهای مولد هزینه تولید پیامهای کلاهبرداری و اسناد جعلی قانعکننده را کاهش دادهاند که حجمی را که مدافعان باید مرتب کنند افزایش میدهد. این مسابقه تسلیحاتی به عملیات یادگیری ماشین منظم بستگی دارد که نبود آن دلیل این است که، همانطور که TechBullion گزارش داد، بیشتر استقرارهای هوش مصنوعی سازمانی شکست میخورند. یک مدل تقلب تنها به اندازه دادهای که به آن تغذیه میشود بهروز است.
همچنین یک ریسک حاکمیتی خاص مؤسسات آمریکایی وجود دارد. قوانین فدرال وامدهی عادلانه و حمایت از مصرفکننده ایجاب میکند که یک تصمیم نامطلوب قابل توضیح باشد، بنابراین یک بانک نمیتواند به سادگی به یک ناظر بگوید که مدل گفته نه. این شرکتها را به سمت روشهایی سوق میدهد که میتوانند نشان دهند کدام عوامل یک امتیاز را هدایت کردهاند، و محدود میکند که چقدر از تصمیم میتواند کاملاً خودکار باشد. پیشرفتهترین مدل جهان برای یک وامدهنده آمریکایی ارزش کمی دارد اگر استدلال آن نتواند در یک بازرسی دفاع شود.
تصویر فرصت بازار و هزینه
رشد هزینه به اپراتورها میگوید ارزش کجاست. در سطح جهانی، بازار تشخیص و پیشگیری از تقلب در سال ۲۰۲۴، ۳۳.۱۳ میلیارد دلار بود و پیشبینی میشود تا سال ۲۰۳۰ به ۹۰.۰۷ میلیارد دلار برسد، با نرخ سالانه ۱۸.۷٪، با آمریکای شمالی که بزرگترین سهم منطقهای را دارد. برای فروشندگان، فرصت فروش نه فقط یک مدل بلکه عملیات کامل است: خطوط لوله داده، مدیریت پرونده و تنظیماتی که تشخیص را دقیق نگه میدارد.
سؤال هزینه برای مؤسسات کوچکتر تیزتر است. ساخت تشخیص در داخل گران است، بنابراین بانکهای اجتماعی و اتحادیههای اعتباری اغلب آن را به عنوان یک سرویس خریداری میکنند. این بازاری برای شبکههای هوشمند مشترک باز کرده است، جایی که بسیاری از مؤسسات سیگنالها را جمع میکنند تا یک الگوی گرفته شده در یکی به بقیه هشدار دهد. همان منطق جمعآوری اکنون به رمزارزها نیز گسترش یافته است، زیرا کسبوکارهای بیشتری داراییهای دیجیتال را میپذیرند، تغییری که TechBullion در گزارش خود درباره چرا شرکتها در حال تصمیم به پذیرش پرداختهای رمزارزی هستند پوشش داد.
فرصتهای بلندمدت برای بازار آمریکا
یک فرصت با مؤسساتی است که امروز کمترین را دارند. بانکهای اجتماعی و اتحادیههای اعتباری به ندرت حجم داده برای آموزش یک مدل قوی به تنهایی دارند، که دقیقاً شکافی است که خدمات هوشمند مشترک پر میکنند. با جمعآوری سیگنالهای ناشناس از صدها مؤسسه کوچک، یک فروشنده میتواند به یک بانک ۳۰ شعبهای در آیووا پوشش الگوی یک صادرکننده ملی بدهد. این زمینی را هموار میکند که حلقههای تقلب مدتها با هدف قرار دادن کوچکترین و کمدفاعترین بازیکنان از آن بهرهبرداری کردهاند.
فرصت دوم باد موافق نظارتی است. سیاستگذاران آمریکایی بیشتر بر کلاهبرداریهای انتقال مجاز متمرکز شدهاند، جایی که قربانی فریب میخورد تا خودش پول بفرستد، دستهای که حفاظتهای سنتی کارت هرگز پوشش نمیداد. اگر قوانین مسئولیت به سمت پاسخگو نگه داشتن مؤسسات بیشتر برای این ضررها تغییر کند، انگیزه برای تشخیص آنها قبل از تسویه به شدت افزایش مییابد و هزینه برای نظارت بر انتقال بلادرنگ دنبال میشود.
جهت بلندمدت به سمت تشخیصی است که مشارکتی و سختتر برای فریب است. بیومتریک رفتاری، خواندن نحوه تایپ یا حرکت مکاننما توسط یک شخص، سیگنالی اضافه میکند که یک رمز عبور دزدیده شده نمیتواند آن را بازتولید کند. شبکههای تقلب مشترک زمان بین ظهور یک کلاهبرداری جدید و دیدن آن توسط هر بانک عضو را کوتاه میکنند. و ناظران مؤسسات را به سمت پذیرش مسئولیت بیشتر برای کلاهبرداریهای انتقال مجاز سوق میدهند، که انگیزه را بیشتر به سمت توقف تقلب قبل از خروج پول از حساب تغییر میدهد.
مؤسساتی که بیشترین سود را میبرند، آنهایی خواهند بود که تشخیص را به عنوان یک سیستم زنده درمان میکنند، دائماً بازآموزی میشوند و هم بر روی تقلب گرفته شده و هم مشتریان خوب حفظ شده اندازهگیری میشوند. تقلب به تکامل خود ادامه خواهد داد. مزیت به کسی میرسد که سریعتر بهروزرسانی کند.