CC BY
78УДК 336.7
ОБЗОР ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБНАРУЖЕНИИ ФИНАНСОВОГО МОШЕННИЧЕСТВА
Нестерова Валерия Алексеевна, Московский государственный технический университет им. Н.Э. Баумана, г. Москва
E-mail: leranest2004@gmail.com
Рыбакова Валерия Алексеевна, Московский государственный технический университет им. Н.Э. Баумана, г. Москва
E-mail: 251rv@mail.ru
Аннотация. В статье рассматривается возможность применения искусственного интеллекта в сфере финансового мошенничества. Также приводятся примеры методов машинного обучения, которые способствуют обнаружению мошенничества с кредитными картами.
Ключевые слова: банковские карты, финансы, искусственный интеллект, машинное обучение, мошенничество, автоматизация.
Abstract. The paper discusses the possibility of applying artificial intelligence in the field of financial fraud. It also gives examples of machine learning methods that contribute to the detection of credit card fraud.
Key words: bank cards, finance, artificial intelligence, machine learning, fraud, automation.
Введение. С момента своего появления интернет-магазины получили феноменальное развитие. Для увеличения объемов международной торговли как частные фирмы, так и государственные организации стали регулярно прибегать к этому инструменту для достижения своих целей. Одним из важнейших факторов, способствовавших росту электронной коммерции, стало широкое распространение кредитных карт в качестве способа осуществления платежей [1].
Актуальность. Каждый раз, когда заходит разговор о денежных операциях, кто-то обязательно поднимает тему финансового мошенничества. Резкий рост популярности онлайн-покупок за последние несколько лет привел к тому, что использование пластиковых платежных карт стало стандартом. Этот переход произошел одновременно с увеличением числа краж с кредитных карт. Из-за больших сумм денег, которые теряются в результате мошенничества,
предприятия и государственные организации столкнулись с серьезной проблемой.
Основная часть. По данным The Nilson Report [2], семьдесят процентов этих случаев - результат мошенничества без предъявления карты, часто известного как мошенничество, совершенное онлайн или по телефону. Этот вид мошенничества называют CNP-мошенничеством. Двадцать процентов таких инцидентов вызваны подделками, а десять процентов - следствием неправильного расположения, кражи или потери карт. Только в прошлом году мошенничество с кредитными картами обошлось примерно в 27,85 млрд долларов. Это на 16,2 % больше, чем 23,97 млрд долларов в 2017 году [3].
Два примера служб проверки, которые часто используются для предотвращения мошенничества, - это служба проверки адресов (AVS) и метод проверки карт (CV2) (CVM). Анализ данных и фильтрация на основе правил -лишь два из многих инструментов, которые широко используются в превентивных мерах 2 [4]. С другой стороны, когда мошенничество неизбежно, крайне важно выявить его как можно скорее, чтобы принять необходимые меры.
Подлинность транзакции может быть определена только с помощью средств обнаружения мошенничества. Поскольку человеку невозможно вручную оценить каждую транзакцию, чтобы решить, является ли она мошеннической, необходимы автоматизированные решения для обнаружения мошенничества. Мошенники постоянно меняют свои стратегии, чтобы избежать обнаружения [5], что делает традиционные инструменты, такие как экспертные правила, неадекватными для эффективного предотвращения мошенничества. Поэтому обнаружение и анализ закономерностей и тенденций в режиме реального времени с помощью машинного обучения необходимы для выявления новых схем мошенничества, которые стандартные системы, основанные на правилах, могут не распознать.
Создание системы, способной выявлять мошенническое поведение, -задача более сложная, чем может показаться на первый взгляд. Знающий человек должен выбрать метод обучения (контролируемый или неконтролируемый), алгоритм (например, логистическую регрессию, деревья решений и т. д.), признаки и, что самое важное, стратегию решения проблемы дисбаланса классов. Разрыв, существующий между различными социально-экономическими классами, - еще одно серьезное препятствие, которое необходимо преодолеть в борьбе с мошенничеством.
Также существует проблема с задачей классификации, поскольку в результате недостаточной детализации данных о транзакциях происходит перекрытие реальных и мошеннических групп, и большинство алгоритмов машинного обучения не могут успешно работать в таких ситуациях. Транзакция, которая должна вызывать наибольшее беспокойство следователей, и предсказывает, к какому классу она относится. После этого первого этапа следователи проводят последующие расследования и дают рекомендации по повышению эффективности системы обнаружения мошенничества. Даже если это необходимо, это может быть тяжелым бременем для следователей, в
результате чего лишь небольшая часть транзакций подтверждается своевременно. Поскольку можно использовать лишь определенное количество отзывов, прогностическая модель, вероятно, будет иметь меньший эффект. В заключение следует отметить, что подлинная финансовая статистика труднодоступна из-за того, что финансовые организации редко обнародуют данные о клиентах по причине соображений конфиденциальности, связанных с такими действиями. Для исследований, связанных с выявлением мошенничества, это важная проблема, которую необходимо решить.
Исследованиям по анализу транзакций по кредитным картам с помощью методов машинного обучения и искусственного интеллекта на предмет наличия или отсутствия в них мошеннических действий уделяется большое внимание.
Созданные человеком машины уже способны выполнять все виды трудоемкой работы. Однако во многих случаях, руководствуясь требованиями повышения производительности, люди пытались внедрить человеческий интеллект в машины, что и послужило первоначальной мотивацией для создания искусственного интеллекта. Исследования в области искусственного интеллекта ведутся уже более 65 лет и достигли впечатляющих успехов в теоретическом изучении и реальном применении.
Искусственный интеллект представляет собой область компьютерных наук и техники, которая занимается разработкой интеллектуальных систем, способных выполнять задачи, требующие человеческого интеллекта. Одним из ключевых применений искусственного интеллекта является прогнозирование и анализ данных. Этот процесс включает в себя использование алгоритмов машинного обучения для извлечения информации из больших объемов данных с целью выявления закономерностей и предсказания будущих тенденций.
Искусственный интеллект используется практически повсеместно и считается одним из основных навыков будущего. Согласно прогнозам, к 2025 году объем рынка искусственного интеллекта вырастет до 190 миллиардов долларов США, при этом совокупный годовой темп роста в период с 2018 по 2025 год составит более 36 %.
В двадцать первом веке искусственный интеллект стал важной областью исследований практически во всех областях: инженерии, науке, образовании, медицине, бизнесе, бухгалтерском учете, финансах, маркетинге, экономике, фондовом рынке, юриспруденции. Область искусственного интеллекта настолько выросла, что отслеживание распространения исследований становится сложной задачей.
Машинное обучение имеет множество закономерностей, связанных с анализом информации о кредитных картах для борьбы с мошенничеством. Однако с точки зрения объяснимости модели и ее обновления возникают проблемы, связанные с изменением моделей мошенничества, связанных с деятельностью по кредитным картам.
Существуют стандартные подходы машинного обучения, применяемые для обнаружения мошенничества с кредитными картами, такие как алгоритмы
контролируемого обучения, включающие логистическую регрессию, деревья решений, метод случайного леса, метод опорных векторов, наивный байесовский классификатор и метод k-ближайших соседей. Кроме того, существуют методы обучения без контроля, такие как метод k-средних, Isolation Forest и различные гибриды. Однако каждый метод имеет свои преимущества и недостатки в отношении точности, вычислительной сложности, а также динамических сигналов мошенничества или несбалансированных наборов данных.
Выводы. Таким образом, перспективные направления будущих исследований могут включать использование ансамблей для повышения точности, применение рекуррентных нейронных сетей или других архитектур глубокого обучения для выявления сложных мошеннических схем и включение детекторов аномалий для выявления странностей. Прогнозирование мошенничества можно улучшить, расширив источники данных за пределы простых данных о транзакциях и включив в них информацию о вторичных пользователях, местоположении и устройствах.
Список использованных источников:
1. Ileberi, E., Sun, Y. & Wang, Z. A machine learning based credit card fraud detection using the GA algorithm for feature selection. J Big Data 9, 24 (2022). https:// doi.org/10.1186/s40537-022-00573-8.
2. Новости индустрии банковских карт и мобильных платежей, архив новостей Nilson Report, 2022 [Электронный ресурс]. - Режим доступа: https:// nilsonreport.com
3. Убытки от банковских карт достигли 27,85 миллиарда долларов - отчет Nilson [Электронный ресурс]. - Режим доступа: https://nilsonreport.com/articles/ card-fraud-losses-reach-27-85- billion/
4. Piotr Juszczak, Niall M. Adams, David J. Hand, Christopher Whitrow, David John Weston: Off-the-peg and bespoke classifiers for fraud detection. Comput. Stat. Data Anal. 52(9): 4521-4532 (2008).
5. Asma Cherif, Arwa Badhib, Heyfa Ammar, Suhair Alshehri, Manal Kalkatawi, Abdessamad Imine: Credit card fraud detection in the era of disruptive technologies: A systematic review. Journal of King Saud University - Computer and Information Sciences. 35(1): 145-174 (2023).
