Yapay Zeka ve Makine Öğrenimi, Sahtekarlık Yönetimi ve Siber Suç, Sahtekarlık Risk Yönetimi
Uzmanlar, üretken rakip ağların avantajlarını ve risklerini tartıyor
Suparna goswami (Gsuparna), Rashmi Ramesh (Rashmiramesh_) •
20 Mart 2025
Dolandırıcılar, geleneksel algılama yöntemlerinin geride kalacağı kadar incelikle sentetik kimlikler hazırlıyor. Geleneksel sahtekarlık algılama araçları – hem kurallara dayalı hem de makine öğrenim tabanlı – yanlış pozitiflerle boğuşur ve hileli faaliyetleri kaçırabilir.
Ayrıca bakınız: Finansal Hizmetler İçin Snyk: Güvenli Hızlı, Güvenli Akıllı
2024’te sentetik kimlik sahtekarlığındaki% 60’lık bir artış, bazı bankaları ve fintech’leri, hileli işlemleri simüle eden ve gizli kalıpları tanımlamaya yardımcı olan üretken olumsal ağlar da dahil olmak üzere ileri yapay zeka araçlarını keşfetmeye zorladı.
Üretken çekişmeli ağlar günlük işlem davranışlarını modeller ve hileli işlemlerin sentetik örneklerini üretir, bu da AI modellerinin aksi takdirde fark edilmeyebilecek kalıpları öğrenmesine ve tespit etmesine yardımcı olur. Erken uygulamalar, düşmanca AI’nın yanlış pozitif oranları yarıya indirebileceğini göstermektedir.
Nice Actimize’nin üst düzey ürün müdürü Anurag Mohapatra, “Bu güçlü bir araç” dedi.
Bankalardaki güvenlik ve sahtekarlık ekipleri, üretken yapay zekanın bu ortaya çıkan uygulamasında umut vaat ediyor, ancak aynı zamanda tüketici veri gizliliği konusunda dik uygulama maliyetleri, karmaşık düzenleyici zorluklar ve etik kaygılarda gezinmelidirler.
Mohapatra, çekişmeli yapay zeka veri üretimi, anomali tespiti ve özellik öğrenmesinde gelişmiş yetenekler sunuyor. Bu ağlar, iki sinir ağı arasındaki dinamik bir etkileşim yoluyla işlev görür: bir jeneratör ve bir ayrımcı. Jeneratör tarihsel sahtekarlık vakalarını analiz eder ve gerçek hileli davranışı taklit eden yapay işlemler üretirken, ayrımcı meşru ve hileli faaliyetleri ayırt etme yeteneğini geliştirir. Bu olumsuz süreç, algılama sistemlerini, giderek daha fazla nüanslı sahtekarlık kalıplarını tanımalarına sürekli meydan okuyarak keskinleştirir.
Erken başarılar
Çin’in CTRIP finansmanı da dahil olmak üzere Swedbank ve FinTech öncüleri gibi bankalar üretken düşman ağları uyguladı. Gartner’ın araştırma müdürü Uri Lerner, Swedbank’ın yanlış pozitifleri%50 azalttığını ve bankanın soruşturma verimliliğinin%20 arttığını belirtti. Lerner, “Yaklaşımları, açıklanabilirlik ve operasyonel verimliliği korurken sahtekarlığı önlemeyi modernize etmek isteyen finansal kurumlar için bir plan görevi görüyor.” Dedi.
Bu gelişmekte olan teknoloji, kara para aklama karşıtı programlarda KYC süreçlerini de geliştirir. Makine öğrenimi eğitimi için sentetik müşteri verileri üreterek, veri gizliliğini korurken düzenleyici uyumluluklara yardımcı olur. Otantik müşteri veri kümelerine erişim genellikle gizlilik düzenlemeleri ile sınırlı olduğundan, sahtekarlık tespit modellerini eğitirken bu özellik özellikle değerlidir. Kuruluşlar, tipik işlem davranışlarını analiz ederek ve kara para aklama veya sahtekarlığı gösterebilecek sapmaları işaretleyerek anomali tespitini destekleyebilir. Eğitim veri kümeleri nadir fakat kritik sahtekarlık vakalarını içerir, böylece algılama modellerinin sağlamlığını artırır.
Finansal kurumlar da bu ağları yüz tanıma, yüksek kaliteli görüntüler üretme ve çekişmeli saldırıları simüle etmek için kullanırlar. Bu simülasyon, kimlik doğrulama sistemlerini geliştirmeye yardımcı olarak bankaların sofistike sahtekarlığı ele almak için daha donanımlı olmasını sağlar. Teknoloji, günlük işlem modellerini modelleyerek ve çeşitli hileli tekniklerin simüle ederek, gerçek dünya tehditleri gerçekleşmeden önce sahtekarlık algılama sistemlerini test etmek ve rafine etmek için kontrollü bir ortam sağlar. Bu öngörücü kapasite, sahtekarlığın erken tespiti ve önlenmesinde önemli bir rol oynayabilir.
Zorluklar ve riskler
Bu avantajlara rağmen, kuruluşlar bu AI teknolojisini dağıtmada zorluklarla karşı karşıyadır.
Uygulama, hala eski sistemlere bağlı daha küçük kuruluşlar için maliyet engelleyici olduğunu kanıtlayabilecek önemli bilgi işlem gücü ve teknik uzmanlık gerektirir. Mohapatra, “GANS, GAN’ları dağıtmak için gerekli olan yüksek bilgi işlem gücüne dayanamayan eski sistemlere sahip olabilecek daha küçük kuruluşlar için maliyet engelleyebilir.” Dedi.
Üretken çekişmeli ağlar, sahtekarlık ve gerçek hesap faaliyeti arasında ayrım yapan modelleri eğitmek için meşru tüketici verilerini kullandığından, tüketici gizliliği büyük bir endişe kaynağıdır. Javelin kıdemli analisti Jennifer Pitt, “GANS ayrıca, sahtekarlığı meşru hesap faaliyetinden ayırmak için modeli eğitmek için meşru tüketici verilerini de kullanıyor. Bu nedenle, tüketici gizlilik endişeleri dikkate alınmalıdır.”
Finansal kurumlar, veri toplama uygulamalarının şeffaflığını, hangi verilerin toplandığını, neden toplandığını ve nasıl kullanılacağını açıklığa kavuşturmalıdır.
Hileli faaliyetleri simüle ederek ve sentetik veri üreterek, üretken çekişmeli ağlar daha doğru ve sağlam algılama sistemlerinin oluşturulmasına, yanlış pozitifleri azaltmaya ve araştırmaları kolaylaştırmaya yardımcı olmaktadır. Ancak teknoloji olgunlaştıkça, yüksek maliyetler, entegrasyon engelleri ve karmaşık etik ve düzenleyici konular da dahil olmak üzere kendi zorluklarını getiriyor. Bu faktörlerin dengelenmesi, finansal sahtekarlığa karşı savunmak için gerekli olacaktır.