La protección contra el fraude es una carrera contra escalera.

Por ejemplo, la red de Mastercard procesa aproximadamente 160 mil millones de transacciones al año y experimenta aumentos repentinos de 70 000 transacciones por segundo durante los períodos pico (como las holganza de diciembre). Encontrar las compras fraudulentas entre ellas (sin apañarse falsas alarmas) es una tarea increíble, razón por la cual los estafadores han podido engañar al sistema.

Pero ahora, modelos sofisticados de IA pueden investigar transacciones individuales, identificando aquellas que parecen sospechosas, en milisegundos. Este es el corazón de la plataforma de fraude insignia de Mastercard, Decision Intelligence Pro (DI Pro).

“DI Pro analiza específicamente cada transacción y el peligro asociado con ella”, dijo Johan Gerber, vicepresidente ejecutante de soluciones de seguridad de Mastercard, en un mensaje nuevo. Podcast de VB Más allá del piloto. “El problema fundamental que estamos tratando de resolver aquí es la evaluación en tiempo positivo”.

Cómo funciona DI Pro

DI Pro de Mastercard fue diseñado para convidar latencia y velocidad. Desde el momento en que un consumidor toca una polímero o hace clic en “comprar”, esa transacción fluye a través de la capa de orquestación de Mastercard, regresa a la red y luego al asiento emisor. Normalmente, esto ocurre en menos de 300 milisegundos.

En última instancia, el asiento toma la osadía de aprobar o rebotar, pero la calidad de esa osadía depende de la capacidad de Mastercard para ofrecer una puntuación de peligro precisa y contextualizada en función de si la transacción podría ser fraudulenta. Lo que complica todo este proceso es el hecho de que no están buscando anomalías per se; buscan transacciones que, por diseño, sean similares al comportamiento del consumidor.

En el núcleo de DI Pro hay una red neuronal recurrente (RNN) a la que Mastercard se refiere como "recomendador inverso" edificación. Esto manejo la detección de fraude como un problema de recomendación; el RNN realiza un gimnasia de finalización de patrones para identificar cómo se relacionan los comerciantes entre sí.

Como explicó Gerber: “Aquí es donde han estado antaño, aquí es donde están ahora. ¿Tiene esto sentido para ellos? ¿Les habríamos recomendado este comerciante?”

Chris Merz, vicepresidente senior de ciencia de datos de MasterCard, explicó que el problema del fraude se puede dividir en dos subcomponentes: el patrón de comportamiento de un afortunado y el patrón de comportamiento de un estafador. “Y estamos tratando de dilucidar esas dos cosas”, dijo.

Otra “técnica interesante”, dijo, es cómo Mastercard aborda la soberanía de los datos, o cuándo los datos están sujetos a las leyes y estructuras de gobernanza de la región donde se recopilan, procesan o almacenan. Para perseverar los datos “en el suelo”, el equipo de fraude de la empresa se cimiento en datos agregados, “completamente anonimizados” que no son sensibles a ningún problema de privacidad y, por lo tanto, pueden compartirse con modelos a nivel mundial.

“Por lo tanto, aún se pueden tener patrones globales que influyan en cada osadía particular”, dijo Gerber. “Tomamos el conocimiento de un año y lo concentramos en una sola transacción en 50 milisegundos para asegurar sí o no, esto es bueno o esto es malo”.

Estafar a los estafadores

Si adecuadamente la IA ayuda a empresas financieras como Mastercard, incluso ayuda a los estafadores; ahora pueden desarrollar rápidamente nuevas técnicas e identificar nuevas vías para explotar.

Mastercard está contraatacando a los ciberdelincuentes en su condado. Una forma de hacerlo es mediante el uso "tarros de miel," o entornos artificiales destinados esencialmente a "trampa" ciberdelincuentes. Cuando los actores de amenazas creen que tienen una marca legítima, los agentes de IA interactúan con ellos con la esperanza de ingresar a cuentas de mulas utilizadas para canalizar peculio. Esto se vuelve “extremadamente poderoso”, dijo Gerber, porque los defensores pueden aplicar técnicas gráficas para determinar cómo y dónde están conectadas las cuentas mula a cuentas legítimas.

Porque al final, para obtener su suscripción, los estafadores necesitan una cuenta legítima en algún circunscripción, vinculada a cuentas mula, incluso si está oculta 10 capas más debajo. Cuando los defensores puedan identificarlos, podrán mapear las redes globales de fraude.

“Es maravilloso cuando les enfrentamos a ellos, porque ya nos causan suficiente dolor”, dijo Gerber.

Escuche el podcast para obtener más información sobre:

• Cómo Mastercard creó un "zona de pruebas de malware" con futuro litografía;

• Por qué un documento de requisitos de ingeniería de ciencia de datos (DSERD) era esencial para alinear cuatro equipos de ingeniería separados;

• La importancia de "priorización implacable" y una toma de decisiones difícil para ir más allá "mil flores floreciendo" a proyectos que positivamente tienen un robusto impacto empresarial;

• Por qué una implementación exitosa de la IA debería incorporar tres fases: ideación, activación e implementación, pero muchas empresas se saltan el segundo paso.

Audición y suscríbete Más allá del piloto en Spotify, Manzana o dondequiera que obtengas tus podcasts.