Strojno učenje u odnosu na prijevaru pri plaćanju: Transparentnost i ljudi u petlji kako bi se smanjile uvrede korisnika

Lažno pozitivni rezultati ili uvrede kupaca? Koji zvuči bolje? To je trik pitanje -- to je ista stvar, drukčije formulirana. U binarnoj klasifikaciji, a lažno pozitivno je pogreška u izvješćivanju podataka u kojem rezultat testa neispravno ukazuje na prisutnost stanja (rezultat je pozitivan), a ono u stvarnosti nije prisutno.

Međutim, čak i u našem vremenu koje se temelji na podacima, ta bi definicija nekima mogla zvučati pomalo suhoparno ili zbunjujuće. Otuda je rođeno "vrijeđanje kupaca". U prevenciji prijevare, izraz uvreda kupca koristi se za opisivanje lažno pozitivnog: Transakcija koja nije prijevara, ali je ipak označena kao sumnjiva.

To se često događa i veći je problem nego što mislite. Nedavno istraživanje koje je proveo Prosijati na 1000 potrošača u SAD-u otkrili su da je 36% ispitanika imalo lažno odbijenu transakciju zbog sumnje na prijevaru. Još studija PwC-a otkrili da čak i jedno negativno iskustvo kupca može imati značajan utjecaj na trgovce.

Dakle, što se može učiniti?

Borba protiv prijevara uvelike ovisi o strojnom učenju

Kevin Lee, arhitekt povjerenja i sigurnosti u tvrtki Sift, vodio je tim za operacije rizika Kvadrat davne 2013. Tijekom njegovog vremena tamo, bili su usredotočeni na sprječavanje gubitaka, ali jednako, ako ne i više, na rast korisnika i usvajanje. Lee nije definitivno rekao da je Square izmislio izraz uvreda kupaca. No spomenuo je da im je potreban način za mjerenje lažno pozitivnih rezultata i želio je to detaljnije opisati.

Kao takvi, počeli su koristiti izraz "uvreda". Termin se zadržao i od tada je postao dio nomenklature za timove za prijevaru, rizik te povjerenje i sigurnost. Danas je Sift najavio lansiranje Insult Monitora, mogućnosti za online tvrtke koje žele povećati prihode smanjenjem lažno pozitivnih rezultata. ZDNet povezao s Leejem kako bi razgovarao o tome kako to funkcionira i što donosi na stol.

Siftov Insult Monitor obećava maksimiziranje prihoda za online tvrtke mjerenjem stope lažno pozitivnih prijevara i dopuštajući tim tvrtkama da smanje trvenje za legitimne kupnje. Insult Monitor je integriran sa Siftov proizvod za zaštitu plaćanja. Kupci mogu postaviti Insult Monitor unutar svoje Sift Console i postaviti grupe za početak testiranja stope uvreda kupaca.

Nakon testiranja, timovi za prijevare ili povjerenje i sigurnost mogu prilagoditi pragove kako bi omogućili legitimnije narudžbe (smanjujući stope uvreda) dok i dalje blokiraju prijevare. Veliko je pitanje kako ovo funkcionira. Da bismo odgovorili na to pitanje, morat ćemo ponovno pogledati osnove prevencije prijevara općenito, a konkretnije Siftovo rješenje. Oba uvelike ovise o strojnom učenju.

Lee je izjavio da Sift koristi nadzirano strojno učenje jer se razvija brže od nenadziranog -- nije potrebno toliko podataka za učenje. Sift koristi svoj globalni model jer ga koristi više od 34 000 web stranica.

Sift, zauzvrat, koristi te web stranice kako bi zaštitili jedna drugu, rekao je Lee:

"Imamo prilagodljivost u stvarnom vremenu i otkrivanje anomalija, što znači da možemo zaustaviti nove oblike zla čim se pojave. Ne moramo čekati osvježenje modela ili generiranje pravila. To smanjuje ukupnu stopu izloženosti tvrtke prijevarama.

Mi prakticiramo dinamičko trenje, što znači da strojno učenje omogućuje nama/trgovcima pružanje nevjerojatnih korisničkih iskustava poznatim kupcima od povjerenja. To omogućuje trgovcima da dovrše veće transakcije / transakcije poput Amazona s više alata. Malo smo izjednačili teren."

Sveti gral za učinkovitu borbu protiv prijevara: transparentnost i ljudi u petlji

Međutim, što se lažno pozitivnih rezultata tiče, čini se da je veliki dio problema nedostatak vidljivosti. Prema CNP-ova studija o prijevarama iz 2018, 42% tvrtki čak i ne zna svoje lažno pozitivne stope. Ovo je vrlo visok postotak, uzimajući u obzir učinak lažno pozitivnih rezultata. Je li posrijedi da poduzeća ne znaju ništa bolje ili im nedostaju sredstva za provjeru?

Do danas, rekao je Lee, poduzeća nisu bila u mogućnosti izmjeriti svoje lažno pozitivne stope jer je jedini način znali bi da je transakcija pogrešno odbijena ako bi im se kupac obratio da im dopusti znati. Oni koji kažu da znaju svoje lažno pozitivne stope vjerojatno to temelje na pritužbama ili procjenama kupaca.

Ovo je, nastavio je Lee, jedan od načina na koji je Insult Monitor drugačiji: pruža konkretan, kvantitativni način mjerenja lažno pozitivnih rezultata. Sift je izradio okvir za uzorkovanje koji trgovcima omogućuje odabir podskupa narudžbi koje bi inače bile odbijene. Tvrtke ih mogu označiti na odgovarajući način i pustiti ih ili poslati na dodatnu provjeru kako bi vidjeli koje su doista lažne naspram onih koje bi mogle biti legitimne.

Poduzeća koja traže zahtjeve Sifta mogu trenutno postaviti Insult Monitor bez potrebe za razvojnim resursima. Ova se sposobnost ne oslanja na strojno učenje. Umjesto toga, to je eksperimentalni okvir ugrađen u Siftove tijekove rada. Sift je napravio Insult Monitor, nastavio je Lee, zbog problema koji su osjetili mnogi kupci koji su pitali postoji li način da se otkriju stope lažno pozitivnih rezultata.

To je, rekao je Lee, na mnogo načina 'sveti gral' za mjerenje učinkovitosti timova za borbu protiv prijevara, koji su do sada samo mogu pratiti koliko umanjuju rizik, a ne koliko povećavaju poslovanje.

Ne znamo koliko će to dobro funkcionirati, ali izgleda da se pristup temelji na najboljim primjerima iz prakse: Uvođenje transparentnosti kako bi korisnici znali što se događa u sustavu i kontrole kako bi mogli intervenirati. Pristupi čovjeka u petlji za strojno učenje uzimaju maha.

Naš zaključak: Što su organizacije sofisticiranije u korištenju strojnog učenja, to su jasnija ograničenja i tehnike ublažavanja.

NAPOMENA: članak je ažuriran 12. ožujka 2020. kako bi prikazao broj web stranica koje koriste Sift.