Strojové učení je novou zbraní proti bankovním podvodům

Gabriela Csanak

Banky stále více spoléhají na nástroje umělé inteligence (AI), které dokáží odhalit pokus o podvod a také shromažďovat důkazy, díky nimž lze zločince odsoudit a odradit. Proto banky do těchto nástrojů stále více investují. V posledních letech roste riziko, že se stane obětí bankovních podvodů. Kvůli nim bankám hrozí vysoké pokuty a také může utrpět jejich dobré jméno.

Prevence podvodů a jejich včasní odhalení se pro banky staly palčivou otázkou, a to kvůli několika trendům. Za prvé: existuje více kanálů pro interakci se zákazníky, které mohou zločinci zneužít, například mobilní platby. Zločinci se také stále zdokonalují v práci s malware a phishingovými emaily, kterými naruší bezpečnost a získají přístup ke klientským účtům.

A konečně starší technologie není schopná dostatečně rychle identifikovat nové druhy podvodné aktivity a reagovat na ně. Zastaralé platformy a nástroje vedou bankovní zaměstnance k tomu, že tráví příliš mnoho času zkoumáním tzv. falešných pozitiv, transakcí, které se zdají podezřelé, ale ve skutečnosti jsou legitimní.

Z toho pro banky vyplývá úkol: korelovat a analyzovat hory dat z mnoha systémů, aby identifikovaly nenormální aktivity, které by mohly být podvodné… a pak svižně reagovat.

Strojové učení (Machine Learning) těží z velkých dat, ze zlepšující se schopnosti zpracovávat data a z pokroků ve vytváření statistických modelů. Proto se ML stalo významným nástrojem, díky němuž lze zmiňované úkoly splnit. Algoritmy strojového učení, známé také jako neurální sítě, jsou v zásadě pokročilé analytiky, které probíhají nepřetržitě.

V reálném čase analyzují transakce a související údaje, jako je řeč, obraz, text a chování na internetu. Tyto algoritmy dokáží identifikovat vzorce, které svědčí o tom, že mohlo dojít k narušení kontroly. Pochybné transakce pak označí, aby se jimi okamžitě začali zabývat vyšetřovatelé.

Algoritmy strojového učení jsou účinnější než starší modely boje proti podvodům s jasně stanovenými pravidly. Lépe se adaptují, mohou se učit a přizpůsobit se novým vzorcům podvodného jednání. To vše díky tomu, že samy sebe neustále testují v práci s legitimním chováním. Metody založené na strojovém učení snižují objem falešných pozitiv, takže experti-lidé mají čas, aby se zabývali odhalováním a prevencí větších podvodů.

Je třeba, aby neustále rostl rozsah boje proti podvodům. Jako typický příklad poslouží bankovní hlasové služby. V roce 2017 udělila agentura Evropská cena pro kontaktní střediska a služby zákazníkům (ECCCSA) prestižní ocenění skupině Lloyds Banking Group a společnosti Pindrop, která se zaměřuje na technologii pro prevenci telefonických podvodů. Společnost Pindrop analyzuje vlastnosti hovoru, jako například lokalitu.

Podobné články

Pobočkové bankovnictví a těžba digitálních dat

Banky musí potenciální zákazníky zaujmout prostřednictvím jejich tabletů a chytrých telefonů.

Přečíst článek

Společnosti, které začaly využívat IoT brzy, mají náskok před konkurencí

Lidé ve vedení firem by měli jednat hned, aby před konkurencí získali potřebný náskok.

Přečíst článek

Strojové učení mění call centra bank

Strojové učení může pomoci získat přehled o potřebách zákazníků a identifikovat nové zdroje příjmů.

Přečíst článek