خانه مقالاتدانش عمومی هوش مصنوعی در جلوگیری از کلاهبرداری، نقطه اتصال تکنولوژی و امنیت

هوش مصنوعی در جلوگیری از کلاهبرداری، نقطه اتصال تکنولوژی و امنیت

توسط مریم اصغری
0 نظر 246 بازدید

در این مقاله به شرح و تفصیل کاربردهای هوش مصنوعی در جلوگیری از انواع کلاهبرداری و تقلب می‌پردازیم.
از زمانی‌که بشر پا به دنیای وجود گذاشته، تقلب همواره بوده و هست، فقط شیوه‌های تقلب و کلاهبرداری در طی سالیان متمادی تمایز پیدا کرده‌است. در عصر جدیدِ نوآوری، شبکه‌ی جهانی وب و تجارت الکترونیک محبوبیت به‌سزایی یافته‌است که در سایه‌ی آن به حجم معاملات الکترونیک روز به روز افزوده می‌شود. به تبع کلاهبرداری و تقلب از قافله عقب نمی‌مانند و آن‌ها هم به‌طور افزاینده‌ای، پیشرفته و پیشرفته‌تر می‌شوند و خود را با جریان‌های روز هماهنگ می‌کنند.
اینجاست که هوش مصنوعی هم‌چون شوالیه‌ای با اسب سفید به یاری‌مان می‌شتابد و رفتارهای مشکوک را شناسایی کرده و بدین شیوه در جلوگیری از کلاهبرداری موثر واقع می‌شود.

 

احراز کلاهبرداری چیست؟ (fraud detection)

این سیستم جهت شناسایی و مسدود کردن رفتارهای مشکوک و غیرعادی که تجارت را به خطر می‌اندازند، استفاده می‌شود. پیش از پیشرفت تکنولوژی و ورود هوش مصنوعی در جلوگیری از تقلب، تحلیل و بررسی اطلاعات و قوانین توسط انسان انجام می‌شد. این روش به سبب وقت‌گیر بودن و پیچیدگی زیاد، آن‌طور که باید کارآمد نبوده و بازده چندانی نداشت؛ زیرا نمی‌توانست از تکرار مجدد کلاهبرداری ممانعت کند.
هر چه فناوری‌های بیش‌تری در بازار موجود باشند، ابزارهای شناسایی و جلوگیری از تقلب نیز باید پیشرفته‌تر باشند؛ چرا که کلاهبرداری یک جرم بسیار سازگار با تکنولوژی است.

 

تکنیک‌های هوش مصنوعی برای احراز کلاهبرداری

  • داده کاوی:

روشی برای ساختاردهی داده‌ها است که به‌طور خودکار، ارتباطات و قوانینی در داده‌ها پیدا می‌کند و می‌تواند الگوهای جالبِ توجه را نشان دهد. درواقع الگوهای رفتاری و تقلب در آن مشخص می‌شود.

  • سیستم‌های متخصص:

قوانینی برای کشف تقلب ایجاد می‌کند. (قانون‌گذاری کلاهبرداری)

  • تشخیص الگو:

الگوهای رفتارهای مشکوک را بصورت خودکار یا پس از مطابقت با ورودی‌های داده شده، شناسایی می‌کند.

  • یادگیری ماشینی:

‌به‌طور خودکار یعنی بدون دخالت تحلیل‌گر انسانی، ویژگی‌های موجود در کلاهبرداری را شناسایی می‌کند.

  • شبکه‌های عصبی:

الگوهای به ظاهر مشکوک را می‌آموزند و از این الگوها برای کشف کلاهبرداری بهره می‌گیرند.

 

شناسایی کلاهبرداری با ربات

 

 جدال با کلاهبرداری در فینتک با هوش مصنوعی 

پیشگیری از کلاهبرداری در فینتک یک روند پویاست؛ در واقع چرخه‌ای است که شامل نظارت، تشخیص، تصمیم‌گیری، مدیریتِ پرونده و یادگیری است.
سیستم شناسایی تقلب در فینتک باید دائما از رویدادهای کلاهبرداری‌ درس بگیرد و از آن در جهت ارتقای فرایند نظارت و تشخیص بهره گیرد. این سیستم باید به گونه‌ای طراحی شود که رفتارهای درست و مشروع را از رفتارهای جعلی و مشکوک متمایز کرده و قادر به سازگاری با استراتژی‌های جدید و پیش‌بینی نشده باشد. برای نیل به این هدف باید تلفیقی از مدل‌های هوش مصنوعی تحت نظارت و بدون نظارت برای جلوگیری از تقلب استفاده شود که زیرشاخه‌های یادگیری ماشینی هستند.

  • متد تحت نظارت (Supervised):

بخشی از یادگیری ماشین است که هدف آن ایجاد یک تابع از داده‌های آموزشیِ نظارت شده می‌باشد و یک مقدار ورودی و یک خروخی مشخص دارد. به زبان ساده‌تر نوعی از یادگیری است که در آن، سیستم بر اساس نمونه‌هایی که پیش‌تر برچسب‌گذاری شده‌اند، یادگیری را انجام می‌دهد و پروسه‌ی یادگیریِ الگوریتم توسط یک ناظر کنترل می‌شود . الگوریتم یادگیریِ تحت نظارت، داده‌های یادگیری را تجزیه تحلیل می‌کند و یک تابع استنتاجی تولید می‌کند.
تابع استنتاجی می‌بایست مقدار خروجی صحیح برای داده‌ی ورودی را پیش‌بینی کند تا نتایج حاصل را به دیگر داده‌هایی که تا به حال دریافت نکرده تعمیم دهد. چنین مفهومی در انسان و حیوانات یادگیری مفهومی نامیده می‌شود.

  • متد بدون نظارت (unsupervised):

در این نوع یادگیری تنها ورودی داریم و خروجی مشخص نیست. هدف اصلی یادگیری بدون نظارت، مدل کردن توزیع داده است تا بتواند اطلاعات بیش‌تری درباره‌ی داده به ‌دست آورد.
در حقیقت در این نوع یادگیری، ماشین دانشِ پایه‌ای از ورودی ندارد؛ چون ناظری وجود ندارد که به ماشین آموزش دهد و مدل مجبور است خودش ساختار مخفی داده‌ی بدون برچسب را پیدا کند و بر اساس خصوصیات و مشخصه‌ی داده‌ها، آن‌ها را دسته‌بندی کند.
یکی از متداول‌ترین انواع کلاهبرداری در حوزه‌ها‌ی مالی و بانکداری، تسویه حساب مشتری است. جایی که شخصی به‌طور غیرقانونی و با استفاده از ربات‌ها به حساب بانکیِ قربانی دسترسی پیدا می‌کند. نمونه‌های دیگر کلاهبرداری در بانکداری شامل استفاده از هویت‌های دروغین، پولشویی، کلاهبرداری در کارت‌های اعتباری و کلاهبرداری در موبایل می‌شود.

کوانتکسا (Quantexa) یکی از استارتاپ‌های فوق‌العاده در حوزه‌ی فینتک به‌شمار می‌رود که با به‌کارگیری هوش مصنوعی، پروفایل‌هایی از مشتریانِ مورد اعتماد و بازیگران غیرقابل اعتماد ایجاد می‌کند و روابط بین آن‌ها را تحلیل و توصیف می‌کند؛ هم‌چنین خطرات پیش‌فرض را شناسایی می‌کند و به‌طرز کارآمدی تقلب و پولشویی را تشخیص می‌دهد. بانک HSBC برای پیگیری و مبارزه با پولشویی از این استارتاپ بهره می‌گیرد.

دیتاوایزور (datavisor) نیز استارتاپی است که با استفاده از متد‌های بدون نظارتِ یادگیری ماشین، جرایم مالی را شناسایی می‌کند. گزارش‌های به‌دست‌آمده نشان می‌دهد که شرکت‌هایی که از دیتاوایزور استفاده می‌کنند نسبت به رقبای خود کارآمدی بیش‌تری دارند.

 

تشخیص تقلب در تبلیغات دیجیتال

 

تشخیص تقلب در تبلیغات دیجیتال 

تقلب در تبلیغات دیجیتال موضوعی است که بازاریاب‌ها و برندها با آن دست‌و‌پنجه نرم می‌کنند و واقعیت امر این است که تمام افرادی که کسب‌و‌کاری در فضای دیجیتال دارند با آن مواجه شده‌اند.
بنا به گفته‌ی گوگل، چرخه‌ی تبلیغات دیجیتال بر بستر اعتماد ساخته شده و اگر تمام افراد فعال در این صنعت، درست کار کنند و دست به فریبکاری نزنند، تبلیغات دیجیتال به بهترین نحو می‌تواند ایفای نقش کند. افسوس که تقلب‌های تبلیغاتی موجب سلب این اعتماد شده‌است.
سوال این است که چگونه می‌توانیم با به‌کارگیری هوش مصنوعی در جلوگیری از تقلب‌های تبلیغاتی و هدر رفتن بودجه‌های تبلیغاتی قدم برداریم؟

شناسایی تبلیغات دیجیتالی بر مبنای دو اصل صورت می‌گیرد:

  • شناسایی بر پایه‌ اصول و قواعد تعیین شده (Rule-Based Fraud Detection):

این مدل شناسایی، یکی از قدیمی‌ترین روش‌های مقابله با تقلب‌های تبلیغاتی است که از هوش مصنوعی در جلوگیری از تقلب بهره نمی‌ که شامل مجموعه‌ای از شرایطِ از پیش تعیین شده است و می‌تواند شرایط غیرمعمول را تشخیص دهد. از این روش برای شناسایی تقلب در شمارش تعداد کلیک‌ها، نمایش، نصب اپلیکیشن و انتقال وجه در سیستم‌های حسابداری استفاده می‌شود.
به عنوان نمونه فرض کنید شما برای نصب اپلیکیشنی تبلیغ کرده‌اید و با بررسی نتایج نصب، متوجه می‌شوید که تعداد دفعات نصب از تعداد نمایش تبلیغ شما بیش‌تر است.
و یا مشاهده می‌کنید که برخی از کاربران 4 ثانیه پس از نصب، حساب کاربری ایجاد کرده‌اند؛ درصورتی‌که فاصله زمانی رایج بین نصب اپلیکیشن و عضویت کاربر، 30 ثانیه تا یک دقیقه است.
و یا اینکه متوجه می‌شوید از یک IP یا شماره تلفن چندین حساب کاربری ایجاد شده‌است.
در این‌صورت شما می‌توانید به کمک پلتفرم‌های رهگیری تبلیغات، قوانینی مشخص کنید تا اگر اتفاقی خلاف حالت معمول (مانند موارد فوق) در زمان اجرای تبلیغات رخ داد، آن نصب، کلیک یا نمایش شمرده نشود.
لازم به ذکر است که این روش به‌سبب قابل پیش‌بینی بودن، هم جنبه مثبت دارد و هم جنبه‌ی منفی. مثبت از آن جهت که می‌توان این تقلب‌ها را پیش از وقوع حدس زد و قواعد را بر اساس تقلب‌های احتمالی وضع کرد. و منفی از آن جهت که به افراد متقلب این فرصت را می‌دهد که به طُرق مختلف، این قواعدِ مشخص شده را دور بزنند.

  • شناسایی بر پایه اصول رفتاری مخاطب(Behavioral-Based Fraud Detection):

این مدل با استفاده از تکنولوژی هوش مصنوعی و یادگیری ماشین،رفتارهای مخاطبان و کاربران را آنالیز می‌کند و به تبع این رفتارها از طریق الگوریتم‌ها قابل پیش‌بینی شده و رفتارهای غیرمعمول، قابل شناسایی می‌شوند و می‌توان با آن‌ها مقابله کرد.
برای استفاده از هوش مصنوعی در جلوگیری از تقلب‌های تبلیغاتی، همانند فینتک از متدهای تحت نظارت و بدون نظارت استفاده می‌شود.
برخی از الگوریتم‌های رایج که در رویکرد تحت نظارت از آن‌ها استفاده می‌شود به شرح زیر است:

Random forest: یک روش یادگیریِ ترکیبی برای دسته‌بندی می‌باشد که از درخت‌های تصمیم برای الگوریتم‌های ساده‌ی خود استفاده می‌کند و می‌تواند به‌راحتی عملیات دسته‌بندی بر روی داده‌ها را انجام دهد.

Support vector machine: یک الگوریتم قدرتمند برای تشخیص الگوهای رفتاری پیچیده و نامتعارف است و می‌تواند بین داده‌های متفاوت و نامتقارن، ویژگیِ معناداری که برای تقلب لازم است را پیدا کند.

در ادامه به تفصیل روش‌های بدون نظارت برای جلوگیری از تقلب در تبلیغات دیجیتال، می‌پردازیم:

Clustering: در این روش الگوریتم یادگیری، ساختاری را از داده‌ها استخراج می‌کند که با سایر داده‌ها شباهت یا ارتباطی دارد.

Anomaly detection: این روش الگوهای ناهنجاری که با الگوهای معمول مطابقت ندارند، شناسایی می‌کند. از آن‌جا که الگوی بسیاری از شیوه‌های تقلب مشخص نیست، این روش کاربرد زیادی دارد.

 

فیشینگ

 

 جلوگیری از فیشینگ با ربات

فیشینگ که نوعی سرقت محسوب می‌شود مخفف عبارت  Password Harvesting Fishing است که سارق یا به اصطلاح فیشر، رابط گرافیکی یک وبگاه معتبر، مثل بانک‌های آنلاین، سایت‌های پی‌پال و ای‌بی را کپی کرده و فعل متقلبانه‌ی خود را انجام می‌دهد.
فیشرها کاربر را به‌واسطه‌ی ایمیل یا آگهی‌های تبلیغاتی سایت‌های دیگر، به یک صفحه‌ی جعلی هدایت می‌کنند. آدرس‌های ایمیل منبعی گران‌بها برای بسیاری از کسب و کارها هستند و این مهم که ایمیل‌ها بتوانند از کلاهبرداری جلوگیری کنند، بسیار حائز اهمیت است. در صورتی‌که کاربر، گمراه شده و اطلاعات خود را وارد کند فیشرها به اطلاعات وی دسترسی پیدا می‌کنند.
سیستم kount که مبتنی بر الگوریتم‌های هوش مصنوعی می‌باشد در جلوگیری از تقلب ایفای نقش می‌کند و تشخیص می‌دهد که آیا هویت کاربر معتبر است یا خیر. هم‌چنین در تمام مدت فعالیتِ مشتری، فعال است و به‌واسطه‌ی بیش از نیم بیلیون آدرس ایمیل، سیگنال‌های معتبر را از موارد نامعتبر شناسایی می‌کند. درصورتی‌که سیگنال نامعتبر باشد مسیر کلاهبرداری را مسدود می‌کند.
بویژه هوش مصنوعی می‌تواند تشخیص دهد که آیا نیازی به احراز هویت بیشتری جهت تأیید هویتِ موجود می‌باشد یا خیر.

 

تشخیص چهره با هوش مصنوعی

 

تشخیص چهره با هوش مصنوعی

سیستم تشخیص چهره (facial recognition sistem) یک فناوری بیومتریک است که از روی عکس دیجیتالی یا ویدئو، هویت افراد را شناسایی می‌کند. این سیستم که بر بستر هوش مصنوعی و الگوریتم‌های یادگیریِ عمیق استوار است، به کمک اطلاعات ذخیره شده در بانک اطلاعات خود، قادر به بازشناسی افراد با دقت بسیار بالا می‌باشد؛ چراکه این بانک اطلاعاتی شامل تصاویری از افرادِ
شناسایی‌شده می‌باشد.
این سیستم به جهت داشتن کاربردهای فراوان، در چندین سال اخیر در مرکز توجه قرار گرفته‌است. به عنوان نمونه از این سیستم به‌منظور شناسایی مجرمان یا افرادی که سابقه‌ی کلاهبرداری در شعب بانکی یا مراکز خرده‌فروشی را داشته‌اند، استفاده می‌شود و از تقلب و کلاهبرداری از دستگاه‌های ATM جلوگیری می‌کند.
هم‌چنین از کاربردهای این سیستم می‌توان به حفاظت از داده‌های شخصی در گوشی‌های همراه اشاره کرد که درصورتی‌که گوشی همراه دزدیده شود، داده‌های حساس، غیرقابل دسترسی می‌باشد.

مایه‌ی خرسندی ماست که شما خواننده‌ی یکی دیگر از سری مقالات هوش مصنوعی بودید.
برای مشاهده مقاله‌ی هوش مصنوعی در فینتک کلیک کنید.
برای مشاهده مقاله‌ی هوش مصنوعی در پزشکی کلیک کنید.

2

مطالب مشابه پیشنهادی

نظرتان چیست؟

با ارسال نظر به ما این اجازه را می‌دهید تا ایمیل شما را ذخیره کنیم تا بعد از این، ارسال نظرات‌تان نیازی به تایید سردبیر نداشته باشد.