CC BY
9SJIF 2023:5.971
Matskevich, Natalia
Assistant of the department of national economy and public administration,
Belarusian State Economic University, Belarus, Minsk
Kostevich, Elizaveta
Student,
Belarusian State Economic University, Belarus, Minsk
COUNTERING FRAUD IN THE BANKING SECTOR OF THE REPUBLIC OF BELARUS USING ML TECHNOLOGY AND BIG DATA
Abstract. The modern banking sector of the Republic of Belarus faces a growing threat of fraud, especially in the context of electronic payments and financial transactions. This research paper is devoted to the analysis of effective methods of countering fraud in the banking sector using machine learning (ML) technology and big data analysis. Combining these technologies allows banks and financial institutions to create powerful anti-fraud monitoring systems that can detect anomalies, predict potential frauds and take instant action to prevent financial losses.
Keywords: fraud in banking, anti-fraud, machine learning (ml) technology, big data analytics, electronic payments, financial security, anti-fraud systems, electronic transactions, cybersecurity
Мацкевич, Наталия Викторовна
ассистент кафедры национальной экономики и государственного управления, Белорусский государственный экономический университет,
Беларусь, г. Минск Костевич, Елизавета Игоревна студент, Белорусский государственный экономический университет, Беларусь, г.
Минск
ПРОТИВОДЕЙСТВИЕ МОШЕННИЧЕСТВУ В БАНКОВСКОЙ СФЕРЕ РЕСПУБЛИКИ БЕЛАРУСЬ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ML И
АНАЛИЗА BIG DATA
Аннотация. Современная банковская сфера Республики Беларусь сталкивается с растущей угрозой мошенничества, особенно в контексте электронных платежей и финансовых операций. Данная исследовательская работа посвящена анализу эффективных методов противодействия мошенничеству в банковской сфере с использованием технологии машинного обучения (ML) и анализа больших данных. Объединение этих технологий позволяет банкам и финансовым учреждениям создавать мощные системы антифродового мониторинга, способные выявлять аномалии, предсказывать потенциальные случаи мошенничества и принимать мгновенные меры по предотвращению финансовых убытков.
ANALYSIS
© ®
INTERNATIONAL JOURNAL OF THEORETICAL AND PI
RESEARCH
SJIF 2023:5.971
Ключевые слова: мошенничество в банковской сфере, противодействие мошенничеству, технология машинного обучения (ml), анализ больших данных, электронные платежи, финансовая безопасность, антифрод-системы, электронные транзакции, кибербезопасность.
В свете последних достижений в сфере электронной коммерции и электронных платежных систем возросли случаи финансового мошенничества, в частности, мошенничества с использованием платежных карт. Согласно данным Национального банка за 2021 год, в Беларуси выявлено 3409 случаев мошенничества, общий ущерб которых оценивается в 400 тысяч рублей. Несмотря на снижение числа мошеннических случаев в 2021 году, общее количество все еще превышает соответствующие показатели за период с 2016 по 2019 годы. Зарегистрировано также 12,3 тыс. инцидентов киберпреступлений в текущем году, что сопоставимо с уровнем 2020 года. Вишинг остается наиболее распространенным типом мошенничества, хотя случаи сократились на 2,4% по сравнению с 2020 годом. Однако увеличилось количество инцидентов, связанных с фишинговыми сайтами, имитирующими системы дистанционного банковского обслуживания.
В будущем проблема финансового мошенничества сохранит свою актуальность, так как схемы мошенничества постоянно совершенствуются наряду с электронными платежными системами. Появление новых видов мошенничества, таких как использование токенов, атаки с использованием JavaScript-снифферов, шифровальщиков и атаки на облачные сервисы, а также применение искусственного интеллекта, подчеркивает необходимость эффективного подхода к предотвращению потерь денежных средств клиентов.
Для эффективного предотвращения мошенничества в банковской сфере требуется многовекторный анализ обширных данных о транзакциях клиентов и их личных данных. Эти данные должны обрабатываться с высокой скоростью для выявления потенциальных мошеннических транзакций, обеспечивая тем самым безопасность и предотвращение потерь денег клиентов банков.
Одним из эффективных методов борьбы с мошенничеством является использование антифрод-систем, основанных на технологии машинного обучения и анализе больших данных. Такие системы позволяют автоматически обнаруживать и предотвращать мошеннические действия, анализируя необычные транзакции, изменения геолокации переводов и другие аномалии. Это позволяет маркировать транзакции в соответствии с уровнем вероятности мошенничества и проводить дополнительные проверки на аутентификацию при необходимости.
Еще одним примером эффективного применения технологии машинного обучения в противостоянии финансовому мошенничеству в банковской сфере является внедрение антифрод-системы в группе "ВТБ", завершенное успешно в 2017 году. Эта система включает в себя основные компоненты, такие как платформы RSA Transaction Monitoring & Adaptive Authentication и SAS [3]. В 2021 году была представлена технология голосового антифрода, которая способна распознавать звонки клиентам и в банк с целью предотвращения мошеннических действий. Основой для этой технологии послужил искусственный интеллект, что представляет собой дополнительное исследование в области применения
© ®
RESEARCH!________,
ISJIF 2023:5.971
машинного обучения. В 2020 году комплекс мер по борьбе с мошенничеством и внедрение фрод-мониторинга позволили предотвратить финансовые потери на сумму свыше 9,2 млрд рублей для 100 тыс. клиентов-физических лиц банка [4].
При рассмотрении перспектив внедрения антифрод-системы, основанной на машинном обучении, в банковскую сферу Республики Беларусь необходимо учесть несколько ключевых условий, которые обеспечат максимальную эффективность данной системы:
• Участие банков Беларуси в проекте путем взаимодействия и координации усилий в противодействии мошенническим операциям.
• Разработка антифрод-системы с учетом конкретных требований белорусских банков, включая интеграцию с уже действующими системами внутри банков.
• Использование опыта российских банков, предлагая технологию выявления телефонных мошенников на основе искусственного интеллекта или сотрудничества с мобильными операторами Республики Беларусь (А1, МТС, life).
• Вовлечение белорусских ИТ-компаний (или объединения ИТ-специалистов банков Беларуси) в разработку системы, чтобы обеспечить импортозамещение программного обеспечения.
Исходя из вышеизложенного, можно заключить, что разработка и внедрение антифрод-системы, использующей технологию машинного обучения и анализа больших данных, в банковский сектор Республики Беларусь потребует значительных финансовых вложений со стороны банков, мобильных операторов и государства. Однако эффективность и целесообразность данного решения не подлежат сомнению, поскольку оно способствует существенному снижению уровня киберпреступлений и мошенничества в области платежных систем.
Список использованной литературы:
1. Turner, A. B., McCombie, S., & Uhlmann, A. J. (2020). Analysis techniques for illicit bitcoin transactions. Frontiers in Computer Science, 2, 600596.
2. Lessambo, F. I. (2023). Anti-Money Laundering, Counter Financing Terrorism and Cybersecurity in the Banking Industry: A Comparative Study Within the G-20. Springer Nature.
3. Курманова, Л. Р. (2021). Обеспечение безопасности банков в условиях развития цифровых сервисов. теоретические и практические аспекты формирования и развития "Новой науки": Монография [подред. А. Сукиасян].-Уфа: Аэтерна, С., 97.
4. Jackson, G., Markevych, M., Bouveret, A., Bardin, P., Malden, A. S., Mora, S. T., & Thomas, I. (2023). Project Summary: Nordic-Baltic Technical Assistance Project-Financial Flows Analysis, AML/CFT Supervision, and Financial Stability. High-Level Summary Technical Assistance Reports, 2023(012).
@ ®
78
