Machine Learning: la clave en la detección de fraudes

A partir del reconocimiento de patrones de comportamiento, el aprendizaje automático (ML) puede brindar mayor precisión para detectar y prevenir rápidamente el fraude. Ahorra, así, tiempo y dinero a las organizaciones y los consumidores.

Según la revista Infosecurity, el fraude le costó a la economía mundial 4,05 billones de dólares en 2018. Durante la pandemia de Covid-19, las transacciones fraudulentas crecieron por la falta de capacitación, concientización y el aumento de  ataques cibernéticos sofisticados. Las pérdidas empresariales por fraude de pagos en línea superarán los USD 206 billones entre 2021 y 2025, según Naveen Joshi, especialista en IA, Big Data, IoT y Blockchain. 

El ML es un subconjunto de la inteligencia artificial (IA) que, a partir de una gran cantidad de datos históricos y accesibles, puede obtener una representación precisa y aprender a tomar decisiones. El ML trabaja 24/7 en tareas repetitivas y tediosas del análisis de datos y en una fracción del tiempo que demandaría a 100 expertos. Solo escala las decisiones a humanos si necesita información específica.

ML puede descubrir tendencias de fraude, para luego detectar fraudes en tiempo real y reducir los falsos positivos que implican grandes costos de investigación.

Formas de mitigar las vulnerabilidades dentro de los sistemas de pago

– Suplantación de identidad por e-mail: ML diferencia entre direcciones reales y spam al analizar sus componentes y clasificarlos como buenos o phishing.

– Robo de tarjeta de crédito y fraude de pago: se analizan acciones pasadas del cliente (montos y tipos de compra, ubicación) y se marcan las que parecen anormales (en general, no requieren la tarjeta física y parten de datos robados).

– Solicitudes falsas y falsificación de documentos: pueden resultar en la creación de tarjetas de crédito y cuentas vinculadas a la víctima. Los modelos de redes neuronales se pueden entrenar para diferenciarlas y requerir aprobación.

– Sistemas de alerta de fraude: se escanean e identifican patrones de comportamiento de los pagadores de transacciones anteriores. Los algoritmos pueden detectar transacciones y características anormales. Y los filtros basados ​​en contexto permiten recibir alertas solo para tipos específicos de características.

Un pequeño porcentaje de actividad puede convertirse rápidamente en grandes pérdidas de dinero sin las herramientas y los sistemas adecuados. De los líderes de cada organización depende estar preparados para enfrentar estos desafíos y munirse de las mejores herramientas.