Искусственный интеллект Mastercard повышает скорость обнаружения мошенничества

Защита от мошенничества — это гонка масштабов. 

Например, сеть Mastercard обрабатывает примерно 160 миллиардов транзакций в год и испытывает пиковые нагрузки в 70 000 транзакций в секунду в периоды наибольшей активности (например, во время декабрьской праздничной лихорадки). Выявление мошеннических покупок среди этого потока — без ложных срабатываний — сложнейшая задача, именно поэтому мошенникам удавалось обходить систему. 

Но теперь сложные модели искусственного интеллекта способны анализировать отдельные транзакции и выявлять подозрительные за считанные миллисекунды. Это лежит в основе флагманской платформы Mastercard по борьбе с мошенничеством — Decision Intelligence Pro (DI Pro). 

«DI Pro анализирует каждую конкретную транзакцию и связанные с ней риски, — рассказал Йохан Гербер (Johan Gerber), исполнительный вице-президент Mastercard по решениям в области безопасности, в недавнем подкасте VB Beyond the Pilot. — Фундаментальная проблема, которую мы пытаемся здесь решить, — это оценка в режиме реального времени».

Как работает DI Pro

Платформа DI Pro от Mastercard была создана с расчетом на минимальные задержки и высокую скорость. С того момента, как покупатель прикладывает карту или нажимает «купить», эта транзакция проходит через уровень оркестрации Mastercard, возвращается в сеть, а затем поступает в банк-эмитент. Как правило, это занимает менее 300 миллисекунд. 

В конечном итоге решение об одобрении или отклонении принимает банк, но качество этого решения зависит от способности Mastercard предоставить точный, контекстуализированный показатель риска, основанный на вероятности мошеннического характера транзакции. Усложняет весь этот процесс тот факт, что система ищет не столько аномалии как таковые, сколько транзакции, которые по своей сути имитируют поведение потребителей. 

В основе DI Pro лежит рекуррентная нейронная сеть (RNN), которую в Mastercard называют архитектурой «обратного рекомендателя». Она рассматривает обнаружение мошенничества как задачу рекомендации: RNN выполняет упражнение по дополнению паттернов, чтобы определить, как торгово-сервисные предприятия связаны друг с другом. 

Как пояснил Гербер: «Вот где они были раньше, вот где они находятся прямо сейчас. Имеет ли это для них смысл? Порекомендовали бы мы им этого продавца?» 

Крис Мерц (Chris Merz), старший вице-президент по науке о данных в Mastercard, пояснил, что проблему мошенничества можно разбить на два подкомпонента: модель поведения пользователя и модель поведения мошенника. «И мы пытаемся разграничить эти две вещи», — отметил он. 

Другим «изящным методом», по его словам, является то, как Mastercard подходит к суверенитету данных, то есть к ситуациям, когда данные подпадают под действие законов и структур управления в регионе, где они собираются, обрабатываются или хранятся. Чтобы сохранять данные «на месте» (on soil), команда компании по борьбе с мошенничеством полагается на агрегированные, «полностью анонимизированные» данные, которые не затрагивают вопросы конфиденциальности и могут совместно использоваться моделями по всему миру. 

«Таким образом, глобальные паттерны все равно могут влиять на каждое локальное решение, — сказал Гербер. — Мы берем знания за целый год и сжимаем их до одной транзакции за 50 миллисекунд, чтобы сказать «да» или «нет», хорошая она или плохая».

Переиграть мошенников

Искусственный интеллект помогает не только финансовым компаниям вроде Mastercard, но и мошенникам: теперь они могут быстро разрабатывать новые методы и находить новые лазейки для атак.  

Mastercard дает отпор, вступая на территорию киберпреступников. Один из способов сделать это — использование «ханипотов» (honeypots), или искусственных сред, предназначенных по сути для «заманивания в ловушку» киберпреступников. Когда злоумышленники думают, что нашли легитимную цель, агенты ИИ вступают с ними в диалог в надежде получить доступ к дроп-аккаунтам, используемым для отмывания денег. Это становится «чрезвычайно эффективным инструментом», отметил Гербер, поскольку защитники могут применять графовые методы для определения того, как и где дроп-аккаунты связаны с легитимными учетными записями. 

Ведь в конце концов, чтобы получить выплату, мошенникам необходим надежный счет где-либо, связанный с дроп-аккаунтами, пусть даже он и скрыт на 10 уровней вглубь. Когда защитники могут выявить такие связи, они получают карту глобальных сетей мошенничества.

«Это прекрасное чувство, когда мы переносим борьбу на их поле, ведь они и так доставляют нам достаточно хлопот», — сказал Гербер. 

Прослушайте подкаст, чтобы узнать больше о следующем: 

• Как Mastercard создала «песочницу для вредоносного ПО» совместно с Recorded Future; 

• Почему документ с требованиями инженерных наук о данных (DSERD) оказался необходим для координации работы четырех отдельных инженерных команд;

• Важность «бескомпромиссной расстановки приоритетов» и принятия жестких решений для перехода от стадии «расцвета тысячи цветов» к проектам, которые действительно приносят сильную пользу бизнесу;

• Почему успешное внедрение ИИ должно включать три фазы: генерацию идей (ideation), активацию (activation) и реализацию (implementation), но многие предприятия пропускают второй шаг. 

Слушайте и подписывайтесь на Beyond the Pilot на Spotify, Apple или на любой другой платформе, где вы слушаете подкасты.