Banken haben Jahrzehnte damit verbracht, Betrugssysteme aufzubauen, die jeweils nur eine Transaktion erfassen. Eine Anklage sieht entweder verdächtig aus oder nicht. Betrügerringe bauten ihr Geschäftsmodell auf dieser Lücke auf und verteilten ihre Aktivitäten mithilfe gestohlener Karten, Maultierkonten, gemeinsam genutzter Geräte und synthetischer Identitäten auf Tausende von Zahlungen, sodass keine einzige Transaktion einen Filter auslöst.
Der Nilson-Bericht Projekte Laut einer Pressemitteilung werden die weltweiten Verluste durch Kartenbetrug in den nächsten zehn Jahren 403 Milliarden US-Greenback erreichen, wobei die USA für etwa 42 % dieser Verluste verantwortlich sind, obwohl sie nur 26 % des gesamten Kartenvolumens weltweit ausmachen.
Nvidias KI-Plan zur Erkennung von Finanzbetrug basiert auf einer anderen Idee. Anstatt zu fragen, ob eine einzelne Transaktion verdächtig erscheint, fragt das System, ob die an einer Transaktion beteiligten Personen, Geräte und Konten mit verdächtigen Aktivitäten an anderer Stelle in Verbindung stehen. Ein Einkauf für 47 $ an einer Tankstelle magazine für sich genommen völlig regular aussehen. Anders sieht es aus, wenn das zur Genehmigung verwendete Telefon in dieser Woche auch in 60 anderen umstrittenen Gebühren in drei Bundesstaaten auftaucht. Oder dieselbe Karte wurde mit einer Adresse eröffnet, die mit einem bekannten Mule-Konto verknüpft battle.
Das ist der blinde Fleck, auf den Betrüger vertrauen. PYMNTS-Geheimdienst gefunden dass Betrug durch unbefugte Parteien – ausgelöst durch Anmeldedatendiebstahl und Kontoübernahmen – mittlerweile 71 % aller Betrugsvorfälle und Dollarverluste bei US-Finanzinstituten ausmacht, gegenüber 48 % im Jahr 2024. Organisierte Ringe agieren schnell, gerade weil sie das Zeitfenster kennen, bevor sich die Entdeckung schließt.
Warum die Bewertung auf Transaktionsebene bei organisierten Ringen fehlschlägt
Heutzutage verwenden die meisten Bankbetrugssysteme eine Technik namens „gradientenverstärkte Modellierung“, eine Scoring-Engine, die die Merkmale einer Transaktion untersucht und entscheidet, ob sie früheren Betrugsfällen ähnelt. Hat der Kauf an einem ungewöhnlichen Ort stattgefunden? Lag der Betrag für diesen Kunden außerhalb des zulässigen Bereichs? Wurde die Karte in verschiedenen Städten innerhalb von fünf Minuten zweimal verwendet? Das sind nützliche Signale, um einzelne Bösewichte zu fangen.
Gegen einen koordinierten Ring sind sie viel weniger nützlich. Ein Ring mit 500 gestohlenen Kartennummern kann die Aktivität jeder Karte innerhalb regular erscheinender Bereiche halten, sodass einzelne Transaktionen routinemäßig erscheinen. Der Nilson-Bericht stellte fest, dass Transaktionen ohne Karte in allen Regionen der Welt die Kategorie mit dem höchsten Risiko darstellen, gerade weil sie mit gestohlenen Zugangsdaten am einfachsten in großem Umfang ausgeführt werden können, heißt es in der Pressemitteilung.
Der Entwurf von Nvidia schließt diese Lücke, indem er eine Ebene hinzufügt, die Beziehungen zwischen den Daten abbildet. Die Technik, grafische neuronale Netze, funktioniert, indem sie ein Bild davon erstellt, wie Transaktionen, Konten und Geräte miteinander verbunden sind, und dann nach Clustern sucht, die verdächtige Hyperlinks teilen. Diese Beziehungssignale werden als zusätzlicher Kontext in das bestehende Bewertungsmodell eingespeist, sodass eine Transaktion, die für sich genommen eine niedrige Bewertung erzielt, dennoch gekennzeichnet werden kann, wenn sie sich in einem zusammenhängenden Cluster risikoreicher Aktivitäten befindet.
PYMNTS gemeldet dass Brian Boates, Chief Threat Officer von Block, die Banken dazu gedrängt hat, Betrug nicht mehr nachträglich zu prüfen, sondern ihn sofort zu stoppen. „Es ist eine Sache, die schlechten Schauspieler im Nachhinein zu finden“, sagte Boates. „Aber was viel effektiver ist, ist die Investition in mehr Echtzeittechnologie.“ PYMNTS-Geheimdienst gefunden dass 68 % der Finanzinstitute ihre Ausgaben für die Betrugserkennung Jahr für Jahr erhöht haben, da das Drawback ältere Systeme übersteigt.
Entscheidungen in Echtzeit innerhalb von Dwell-Zahlungsströmen
Die Herausforderung bei beziehungsbasierten Analysen ist die Geschwindigkeit. Die Abbildung von Verbindungen über Millionen von Konten und Transaktionen erfordert erhebliche Rechenleistung. Um dies schnell genug zu tun, um eine Zahlung vor der Freigabe zu stoppen, normalerweise innerhalb weniger hundert Millisekunden, ist eine Infrastruktur erforderlich, die die meisten Banken noch nicht aufgebaut haben.
Der Nilson-Bericht notiert dass sich die weltweiten Verluste durch Kartenbetrug im Jahr 2024 auf insgesamt 33,41 Milliarden US-Greenback beliefen und dass KI-Instruments der Branche dabei geholfen haben, ihre bisher besten Betrugsbekämpfungsmodelle zu entwickeln, auch wenn sich die organisierte Kriminalität weiter anpasst.
Nvidias Blueprint nutzt seinen Dynamo-Triton-Inferenzserver, um diese Beziehungsprüfungen in Zahlungsgeschwindigkeit durchzuführen. Das System erstellt für jede Transaktion eine Betrugsbewertung zusammen mit einer Erläuterung, welche Signale sie ausgelöst haben, sodass ein Betrugsermittler nicht nur erkennen kann, dass eine Transaktion markiert wurde, sondern auch, dass sie markiert wurde, weil das Gerät mit drei anderen in einem aktiven Streitfallcluster übereinstimmte oder weil die Rechnungsadresse in der vergangenen Woche zur Eröffnung von vier Konten verwendet wurde. Der Blueprint läuft auf Amazon Internet Providers und Hewlett Packard Enterprise, wobei die Unterstützung von Dell Applied sciences geplant ist, sagte Nvidia.
Für die gesamte PYMNTS AI-Berichterstattung abonnieren Sie die Tageszeitung KI-Publication.
Discussion about this post