Pour American Express (Amex), l’utilisation de l’IA et de l’intelligence artificielle (ML) pour lutter contre la fraude par carte de crédit n’a absolument rien de nouveau. La société utilise un système expert pour automatiser des milliards de décisions sur les risques de fraude depuis de nombreuses années, tandis que des centaines de scientifiques de l’information d’Amex travaillent sur des conceptions d’IA et de ML associées à la menace de fraude.
« C’est définitivement un objectif essentiel pour nous », a déclaré James Lee, vice-président du risque de fraude mondial chez Amex, à VentureBeat. « Nous sommes complètement vigilants pour nous assurer que nous résistons à ces dangers. »
Néanmoins, les escroqueries à la connexion à un compte sont un défi particulièrement épineux qui ne fait que gagner en importance. Avec l’avènement des cartes à puce et des mots de passe à usage unique en ligne, les escrocs recherchent des moyens moins conventionnels d’utiliser les escroqueries par carte de paiement.
Amex ML design identifie la fraude à la connexion au compte
Une méthode qu’ils utilisent consiste à se connecter au compte en ligne d’un consommateur pour modifier les informations démographiques essentielles, commander des cartes de remplacement , accédez aux OTP ou désactivez les informations sur les dépenses/fraudes, puis effectuez des transactions frauduleuses sur la carte du consommateur. Ils peuvent même accéder aux devises des récompenses d’adhésion et essayer de les échanger contre des cartes-cadeaux numériques.
Pour rechercher la fraude à la connexion, Amex a récemment mis en place un service de modélisation ML de bout en bout qui, au niveau de la connexion au compte, peut anticiper si la connexion est d’un vrai client. Les connexions à haut risque sont nécessaires pour ajouter une authentification incrémentielle, tandis que les connexions à faible risque bénéficient d’une expérience en ligne fluide. Cela garantit que les mauvaises connexions sont capturées en temps réel tandis que les grands clients sont peu impactés.
L’authentification de niveau supérieur est très frustrante pour les vrais clients, a expliqué Lee. « Il y a eu une forte pression de notre groupe de gestion pour s’assurer que nous évaluons la menace de la connexion spécifique, en tirant parti de la grande quantité de données et d’historique que nous avons sur les activités de ce client », a-t-il déclaré.
Maintenant, avec l’itération de la conception ML pour la prédiction en temps réel du danger de connexion au compte, les taux de fraude ont diminué avec le temps. « Avec la première version par rapport à maintenant, la conception est plus performante que de nombreux autres modèles sur le marché proposés par des fournisseurs tiers », a-t-il déclaré.
Arrêter les fraudeurs à la connexion en temps réel
Abhinav Jain, vice-président de la science des choix d’escroqueries dans le monde chez Amex, dirige un groupe de 60 personnes travaillant sur l’apprentissage automatique de la fraude à l’échelle mondiale pour Amex sur des projets liés à toutes sortes de fraudes. Il dit que la construction d’un modèle ML pour faire face au danger de fraude à la connexion a été un objectif clé du projet au cours des dernières années.
Généralement, a-t-il décrit, Amex a mis en place des conceptions d’apprentissage automatique qui évaluent les dangers des escroqueries au niveau de la transaction au point de vente, lorsqu’un client utilise une carte de crédit dans un magasin, par exemple.
Alors que l’activité de fraude à la connexion s’intensifiait avec les prises de contrôle en ligne et le piratage de compte, Amex a vu la nécessité de prévenir la fraude au niveau de la connexion, « afin que nous puissions arrêter les mauvaises étoiles dès le départ et ne pas attendre qu’elles négocient, » il expliqua.
Le premier obstacle que le groupe de Jain a pu résoudre consistait à incorporer des connexions dans une plate-forme ML qui avait entraîné le modèle sur des informations historiques sur les consommateurs. « Chaque connexion nécessite d’être notée par le modèle en temps réel », a-t-il déclaré.
Une 2ème difficulté était de déterminer comment identifier les logins frauduleux. « Lorsque nous développons une transaction ou une conception de point de vente, nous nous connectons aux clients, ou les clients se connectent à nous, nous savons donc quelles transactions sont des arnaques ou non », a-t-il déclaré. Cependant, avec les escroqueries à la connexion au compte, « cela devient difficile, car nous ne revenons pas en arrière et ne demandons pas aux clients ».
Au lieu de cela, Amex devait développer un raisonnement pour que le modèle ML le découvre. Il utilise le comportement de connexion en ligne précédent du client pour identifier les connexions trompeuses, les bonnes et les incertaines.
Le modèle Amex ML offre une boucle de rétroaction
« Il s’agit en fait de cette boucle de rétroaction », a déclaré Lee, qui a expliqué que le modèle d’apprentissage automatique intègre la marque- de nouveaux détails et détermine si certains signaux et caractéristiques correspondent à des positifs incorrects ou sont en fait des prédictions précises du comportement futur des escroqueries.
« Il y a toujours eu une structure basée sur des règles pour déterminer le risque faible, modéré ou élevé », a-t-il déclaré. Il s’agissait davantage d’une sortie statique, tandis que la toute nouvelle conception ML peut évaluer toutes les informations les plus récentes en temps réel, puis les intégrer aux performances les plus récentes au fur et à mesure que la conception se calibre.
« Cela nous a permis de renforcer le taux de réussite des prévisions à haut risque », a-t-il ajouté. « C’est ce qui nous permet d’avoir les meilleurs taux de réduction de la fraude du marché par rapport à tous les réseaux ou entreprises concurrentes sur le marché. »
La mission de VentureBeat est d’être une entreprise numérique place de la ville pour que les décideurs techniques comprennent l’innovation commerciale transformatrice et négocient. Découvrez nos Briefings.
.
Toute l’actualité en temps réel, est sur L’Entrepreneur
