پایان کلاهبرداری‌های مالی به کمک تشخیص تقلب با یادگیری ماشین

در دنیای دیجیتال امروز، مجرمان مالی و افراد متقلب همواره در حال به‌روزرسانی تاکتیک‌های خود برای سرقت از سازمان‌ها و فریب مشتریان هستند. با توسعه چشمگیر سرویس‌های پرداخت سریع و ظهور فناوری‌های مانند هوش مصنوعی مولد (Generative AI) و دیپ‌فیک‌ها (Deepfakes)، سرعت و پیچیدگی روش‌های تقلب به اوج خود رسیده است و سیستم‌های سنتی مبتنی‌بر قوانین ثابت و آستانه‌های از پیش تعیین‌شده، دیگر توانایی لازم برای مقابله با این موج جدید از حملات هوشمند را ندارند.

تنها در سال ۲۰۲۴، مصرف‌کنندگان بانکی در آمریکا حدود ۱۲.۵ میلیارد دلار بر اثر کلاهبرداری‌های مالی از دست داده‌اند؛ رقمی که ۲۵ درصد نسبت به سال قبل افزایش داشته است. این آمار نشان می‌دهد که استفاده از هوش مصنوعی و به‌ویژه تشخیص تقلب با یادگیری ماشین (Machine Learning) بیش از هر زمان دیگری حیاتی است.

در ادامه این مطلب، به بررسی مهم‌ترین مزایای راهکارهای مبتنی‌بر یادگیری ماشین، نحوه استفاده از این فناوری در صنایع مختلف، از بانکداری تا تجارت الکترونیک و همچنین گام‌های عملی که سازمان شما باید هنگام انتخاب یک شریک قدرتمند برای پیاده‌سازی این سیستم‌ها بردارد، خواهیم پرداخت.

یادگیری ماشین یا Machine Learning

یادگیری ماشین (Machine Learning) شاخه‌ای از هوش مصنوعی (AI – Artificial Intelligence) است که بر توسعه الگوریتم‌ها و مدل‌هایی تمرکز دارد که به کامپیوترها امکان می‌دهند از داده‌ها بیاموزند، الگوهای درون داده‌ها را شناسایی کرده و براساس یادگیری خود تصمیم‌گیری کنند.

یادگیری ماشین به سه دسته اصلی تقسیم می‌شود:

۱. یادگیری نظارت‌شده (Supervised learning)

در یادگیری نظارت‌شده، کامپیوتر با استفاده از مثال‌های مشخص، یاد می‌گیرد چطور پیش‌بینی کند یا تصمیم بگیرد.

می‌توانید آن را مثل دانش‌آموزی تصور کنید که معلمش به او تمرین‌هایی با پاسخ درست می‌دهد. دانش‌آموز با دیدن این نمونه‌ها، الگوها را درک می‌کند و وقتی با مسئله جدیدی روبه‌رو شود، از دانشی که قبلاً آموخته برای پیدا کردن پاسخ درست استفاده می‌کند.

در این روش، الگوریتم کامپیوتر، مجموعه‌ای از داده‌ها را دریافت می‌کند که شامل ورودی‌ها (Input Data) یعنی مسائل و خروجی‌ها (Output) یعنی پاسخ‌های درست آن‌هاست. سپس رابطه میان ورودی و خروجی را یاد می‌گیرد تا بتواند برای داده‌های جدیدی که قبلاً ندیده، نتیجه‌گیری یا پیش‌بینی انجام دهد.

۲. یادگیری بدون نظارت (Unsupervised learning)

در یادگیری بدون نظارت، کامپیوتر بدون داشتن مثال‌های مشخص یا پاسخ‌های درست، یاد می‌گیرد چگونه الگوها یا ساختارهای موجود در داده‌ها را شناسایی کند.

یادگیری بدون نظارت را می‌توان مانند کار یک کارآگاه برای حل پرونده بدون سرنخ اولیه تصور کرد؛ یعنی با بررسی شواهد و ارتباط‌ها در اطلاعات موجود، الگوها یا روابط پنهان را کشف می‌کند.

در این نوع یادگیری، الگوریتم تنها داده‌های ورودی (Input Data) را دارد و هیچ خروجی صحیحی در اختیارش نیست. وظیفه الگوریتم تحلیل داده‌ها و کشف الگوهای زیرین (Underlying Patterns) است.

۳. یادگیری تقویتی (Reinforcement learning)

یادگیری تقویتی نوعی یادگیری ماشین است که در آن کامپیوتر از طریق تعامل با محیط و دریافت بازخورد به شکل پاداش یا تنبیه (Reward / Penalty) تصمیم‌گیری می‌کند.

می‌توان آن را مانند آموزش یک سگ برای انجام حرکات خاص تصور کرد؛ وقتی سگ حرکت را درست انجام دهد، به آن جایزه داده می‌شود و اگر درست انجام ندهد، اصلاحی ملایم (تنبیه) اعمال می‌شود. با گذشت زمان، سگ یاد می‌گیرد حرکت را درست انجام دهد تا بیشترین پاداش را دریافت کند.

در یادگیری تقویتی، الگوریتم که معمولاً به آن عامل (Agent) گفته می‌شود، محیط را کاوش می‌کند و تصمیم می‌گیرد. برای هر تصمیم، بازخورد به شکل پاداش یا تنبیه دریافت می‌کند. هدف الگوریتم یافتن بهترین استراتژی یا سیاست (Policy) برای تصمیم‌گیری است تا بیشترین پاداش تجمعی (Cumulative Reward) را در طول زمان کسب کند. این فرآیند از طریق آزمون و خطا انجام می‌شود و الگوریتم استراتژی خود را براساس بازخورد اصلاح و بهبود می‌بخشد.

بیشتر بخوانید:

تحلیل رفتار مصرف‌کننده با یادگیری ماشین

تشخیص تقلب با یادگیری ماشین و هوش مصنوعی

تشخیص تقلب با یادگیری ماشین (ML) و هوش مصنوعی (AI) در حقیقت به‌معنای به‌کارگیری الگوریتم‌های پیشرفته‌ای است که توانایی تحلیل حجم عظیمی از داده‌ها را در کسری از ثانیه دارند تا بتوانند الگوهای پنهان و مشکوک را شناسایی کنند.

مدل‌های یادگیری ماشین با بررسی سریع داده‌ها و سوابق تراکنش‌ها، یک تصویر دقیق از رفتار عادی و نرمال هر کاربر یا نهاد به دست می‌آورند. اگر فعالیتی مانند تراکنش، ورود به سیستم، یا هر نوع عملکرد دیگری خارج از این الگوی عادی ظاهر شود، مدل آن را به‌عنوان یک فعالیت مشکوک علامت‌گذاری می‌کند تا تحت بررسی دقیق‌تر قرار گیرد، یا حتی در صورت لزوم، به‌صورت خودکار و فوری مسدود شود.

• تفاوت یادگیری ماشین با سیستم‌های سنتی مبتنی‌بر قوانین

مدل‌های مبتنی‌بر یادگیری ماشین یک مزیت بسیار بزرگ نسبت به سیستم‌های سنتی مبتنی‌بر قوانین دارند:

سیستم‌های سنتی: این سیستم‌ها ایستا هستند. مجرمان به راحتی می‌توانند قوانین ثابت و خط قرمزهای این سیستم‌ها را شناسایی کرده و راهی برای دور زدن آن‌ها پیدا کنند. به‌روزرسانی این قوانین همواره یک فرآیند دستی، زمان‌بر و پرهزینه است که عملاً با سرعت تغییر تاکتیک‌های کلاهبرداران همگام نیست.

یادگیری ماشین: در مقابل، یادگیری ماشین قادر است به‌صورت خودکار و پویا با الگوهای جدید تقلب سازگار شود. این توانایی باعث می‌شود که سیستم بتواند به‌طور هم‌زمان، هم انواع شناخته‌شده تقلب و هم روش‌های نوظهور و ناشناخته را شناسایی و از وقوع آن‌ها پیشگیری کند.

مزایای یادگیری ماشین در مقایسه با روش‌های سنتی تشخیص تقلب

فناوری یادگیری ماشین (Machine Learning) در مقایسه با سیستم‌های سنتی مبتنی‌بر قوانین (Rules-Based Systems) چندین مزیت کلیدی دارد که باعث افزایش دقت، سرعت و کارایی در فرآیند تشخیص تقلب می‌شود.

در جدول زیر، تفاوت‌های اصلی میان یادگیری ماشین و روش‌های سنتی را بررسی کرده‌ایم:

کاربرد یادگیری ماشین در پیشگیری و تشخیص تقلب

یادگیری ماشین به دلیل توانایی خود در تحلیل حجم‌های بزرگ داده (Large Quantities of Data)، شناسایی الگوها و سازگاری با اطلاعات جدید، به‌طور فزاینده‌ای در پیشگیری و تشخیص تقلب مورد استفاده قرار می‌گیرد. برخی از کاربردهای رایج یادگیری ماشین در پیشگیری از تقلب عبارت‌اند از:

۱. شناسایی ناهنجاری‌ها

الگوریتم‌های یادگیری ماشین می‌توانند الگوهای غیرمعمول در داده‌های تراکنشی را شناسایی کنند. با آموزش الگوریتم‌ها روی داده‌های گذشته، سیستم یاد می‌گیرد تراکنش‌های قانونی را تشخیص دهد و فعالیت‌های مشکوکی که ممکن است نشانه تقلب باشند را علامت‌گذاری کند.

۲. امتیازدهی ریسک

مدل‌های یادگیری ماشین می‌توانند به تراکنش‌ها یا حساب‌های کاربری، براساس عواملی مانند مبلغ تراکنش، مکان انجام تراکنش، تکرار تراکنش‌ها و رفتار گذشته کاربر، امتیاز ریسک (Risk Score) اختصاص دهند.

امتیازهای بالاتر نشان‌دهنده احتمال بالاتر تقلب است و به سازمان‌ها کمک می‌کند منابع خود را اولویت‌بندی کرده و روی تراکنش‌ها یا حساب‌هایی که نیاز به بررسی بیشتر دارند تمرکز کنند.

۳. تحلیل شبکه

عاملان تقلب اغلب با هم همکاری می‌کنند و شبکه‌هایی برای انجام فعالیت‌هایشان ایجاد می‌کنند. تکنیک‌های یادگیری ماشین، مانند تحلیل گراف (Graph Analysis)، می‌توانند این شبکه‌ها را از طریق بررسی روابط بین موجودیت‌ها (کاربران، حساب‌ها، یا دستگاه‌ها) شناسایی کرده و ارتباطات یا خوشه‌های غیرمعمول را کشف کنند.

۴. تحلیل متن

الگوریتم‌های یادگیری ماشین می‌توانند داده‌های متنی بدون ساختار (Unstructured Text Data) مانند ایمیل‌ها، پست‌های شبکه‌های اجتماعی یا بازخورد مشتریان را تحلیل کنند تا الگوها یا کلمات کلیدی که ممکن است نشان‌دهنده تقلب یا کلاهبرداری باشند را شناسایی کنند.

۵. تأیید هویت

مدل‌های یادگیری ماشین می‌توانند اطلاعاتی مانند تصویر مدارک شناسایی یا داده‌های چهره کاربر را تحلیل کنند تا مطمئن شوند هویت فرد واقعی است و کسی از اطلاعات او سوءاستفاده نکرده است.

۶. یادگیری تطبیقی

یکی از نقاط قوت کلیدی یادگیری ماشین، توانایی آن در یادگیری و سازگاری با اطلاعات جدید است. با تغییر تاکتیک‌های عاملان تقلب، مدل‌های یادگیری ماشین می‌توانند با داده‌های جدید دوباره آموزش ببینند و به این ترتیب همیشه به‌روز بوده و برای تشخیص الگوهای نوظهور تقلب آماده باشند.

بیشتر بخوانید:

تحول دیجیتال با هوش مصنوعی و اینترنت اشیا

مثال‌هایی از کاربرد یادگیری ماشین در تشخیص تقلب

کسب‌وکارهایی که با پرداخت‌های مشتریان سروکار دارند، می‌توانند از سیستم‌های تشخیص و پیشگیری از تقلب مبتنی‌بر یادگیری ماشین در سناریوهای مختلف پرداخت استفاده کنند:

پرداخت‌های حضوری

• تشخیص تقلب کارت اعتباری:

الگوریتم‌های یادگیری ماشین می‌توانند داده‌های تراکنشی مانند زمان، مکان، مبلغ و نوع کسب‌وکار را تحلیل کرده و تراکنش‌های مشکوک را در لحظه علامت‌گذاری کنند.

برای مثال، اگر کارت یک مشتری در دو مکان دور از هم و در بازه زمانی کوتاه استفاده شود، سیستم می‌تواند تراکنش‌ها را به‌عنوان مشکوک علامت‌گذاری کند.

• شناسایی ناهنجاری در نقطه فروش:

یادگیری ماشین می‌تواند بر تراکنش‌های POS (Point-of-Sale) یا تراکنش‌های دستگاه کارت‌خوان نظارت کرده و الگوهای غیرمعمول را شناسایی کند.

برای مثال، اگر یک کارمند تعداد غیرعادی از موارد استرداد وجه یا اعمال تخفیف‌های بالا را ثبت کند، ممکن است نشانه تقلب داخلی یا سرقت باشد.

پرداخت‌های موبایلی

• اثر انگشت دستگاه:

مدل‌های یادگیری ماشین می‌توانند اطلاعات اختصاصی دستگاه، مانند مدل دستگاه، سیستم‌عامل، آدرس IP را تحلیل کرده و یک اثر انگشت دیجیتال منحصربه‌فرد برای هر کاربر ایجاد کنند. این روش کمک می‌کند فعالیت‌های تقلبی مانند تصاحب حساب یا چند حساب مرتبط با یک دستگاه را شناسایی کنند.

• بیومتریک رفتاری:

یادگیری ماشین می‌تواند الگوهای رفتاری کاربران، مانند سرعت تایپ یا استفاده از اپلیکیشن‌ها را تحلیل کند تا هویت کاربر تأیید شود و هرگونه ناهنجاری که ممکن است نشان‌دهنده تقلب باشد، شناسایی شود.

کسب‌وکارهای آنلاین / تجارت الکترونیک

• جلوگیری از دسترسی به حساب:

یادگیری ماشین با نظارت بر الگوهای ورود کاربران، می‌تواند فعالیت‌های غیرعادی مانند تلاش‌های مکرر ناموفق برای ورود، یا ورود از دستگاه‌ها و موقعیت‌های مکانی ناآشنا را شناسایی کند. این شواهد می‌تواند نشانه‌ای از تلاش برای دسترسی به حساب کاربر باشد.

• تشخیص تقلب دوستانه:

مدل‌های یادگیری ماشین می‌توانند الگوهای مربوط به تقلب دوستانه (Friendly Fraud) را شناسایی کنند؛ نوعی تقلب که در آن مشتری پس از خرید، ادعا می‌کند تراکنش بدون اجازه او انجام شده یا کالا را دریافت نکرده است.

این مدل‌ها با تحلیل عواملی مانند سوابق خرید مشتری، تعداد دفعات مرجوعی کالا و الگوهای مربوط به درخواست‌های استرداد وجه (مانند فاصله زمانی بین خرید و درخواست استرداد)، می‌توانند موارد مشکوک به تقلب دوستانه را شناسایی و علامت‌گذاری کنند.

سایر کاربردهای یادگیری ماشین

• تشخیص تقلب در فاکتورها:

یادگیری ماشین می‌تواند فاکتورها و مستندات مرتبط را تحلیل کند تا ناهماهنگی‌ها، مانند فاکتورهای تکراری، مقادیر مغایر یا جزئیات مشکوک فروشنده، که ممکن است نشانه تقلب باشند را شناسایی کند.

• تشخیص تقلب در برنامه‌های وفاداری مشتری

یادگیری ماشین می‌تواند رفتار مشتریان در برنامه‌های وفاداری مانند جمع‌آوری امتیاز، استفاده از امتیازها و فعالیت حساب را نظارت کرده و تقلب یا سوءاستفاده احتمالی را شناسایی و علامت‌گذاری کند.

مزایای کلیدی یادگیری ماشین در تشخیص تقلب برای مؤسسات مالی

مزیت استفاده از فناوری یادگیری ماشین و هوش مصنوعی برای مؤسسات مالی و سازمان‌هایی که با حجم بالای تراکنش سروکار دارند، فراتر از یک به‌روزرسانی ساده است. سه مزیت اصلی این فناوری برای مؤسسات مالی عبارت‌اند از:

۱.پایش لحظه‌ای تراکنش‌ها

این رویکرد پیشگیرانه باعث می‌شود تا پیش از وقوع هرگونه ضرر مالی، تراکنش‌های تقلبی مسدود شوند. نتیجه آن، افزایش امنیت مشتریان و کاهش خسارات احتمالی است.

۲.شناسایی الگوهای غیرعادی

مدل‌های یادگیری ماشین با تحلیل حجم وسیعی از داده‌های تاریخی، می‌توانند ظریف‌ترین انحراف‌ها از رفتار عادی کاربر را کشف کنند. این انحرافات شامل تراکنش با مبالغ بسیار غیرمعمول یا مکان‌های پرخطر، زنجیره‌ای از چند تراکنش کوچک متوالی و فعالیت‌های انجام‌شده از مکان‌ها یا دستگاه‌های غیرمعمول است.

۳.بهبود مستمر عملکرد

عملکرد مدل‌های یادگیری ماشین از طریق یک حلقه بازخورد (Feedback Loop) به‌طور مداوم بهتر می‌شود. در این سیستم، تحلیلگران انسانی (Human Analysts) تراکنش‌های علامت‌گذاری‌شده توسط مدل را بررسی و تأیید می‌کنند. این رویکرد مشارکت انسان در حلقه (Human-in-the-Loop) تضمین می‌کند که سیستم با یادگیری از موارد واقعی تقلب و همچنین هشدارهای اشتباه (مثبت کاذب)، به مرور زمان دقت خود را به بالاترین سطح ممکن برساند.

این افزایش دقت، باعث کاهش تعداد تراکنش‌های سالمی می‌شود که به‌اشتباه مشکوک تشخیص داده شده‌اند و در نهایت، تجربه کاربری را به‌طور چشمگیری بهبود می‌بخشد.

بیشتر بخوانید:

تاثیر هوش مصنوعی در بهره‌وری: فرصت‌ها و چالش‌های پیش‌رو

سازوکار عملی مدل‌های یادگیری ماشین (ML)

یادگیری ماشین، با استفاده از هر دو روش نظارت‌شده و بدون نظارت، میلیون‌ها داده شامل تراکنش مالی، تلاش برای ورود به حساب و… را تحلیل می‌کند تا نشانه‌های تقلب را پیدا کند. این سازوکار در عمل شامل چهار رکن اصلی است:

• ارزیابی لحظه‌ای ریسک‌ها و شناسایی ناهنجاری‌ها

برخلاف سیستم‌های قدیمی که تراکنش‌ها را به‌صورت دسته‌ای و با تأخیر بررسی می‌کردند، الگوریتم‌های یادگیری ماشین داده‌ها را به‌صورت لحظه‌ای تحلیل کرده و فوراً امتیاز ریسک تقلب را تعیین می‌کنند. این مدل‌های تطبیق‌پذیر، امتیاز ریسک را با ورود هر داده جدید به‌روزرسانی می‌کنند و به بانک‌ها و سازمان‌ها امکان می‌دهند تا بدون اتلاف وقت و به‌صورت پویا، اقدامات پیشگیرانه‌ای برای جلوگیری از خسارت انجام دهند.

• شناسایی الگوهای پیچیده و احراز هویت رفتاری

قدرت واقعی یادگیری ماشین در تشخیص تقلب، توانایی آن در کشف الگوهای پیچیده‌ای است که از دید انسان یا سیستم‌های قدیمی پنهان می‌مانند؛ الگوهایی مانند آدرس‌های متناقض، تاریخچه تراکنش‌های مشکوک، یا تغییرات غیرمعمول و سریع در جزئیات حساب.

فراتر از داده‌های آشکار، سیستم‌های هوشمند از فناوری زیست‌سنجی رفتاری (Behavioral Biometrics) استفاده می‌کنند تا رفتارهای جزئی و منحصربه‌فرد کاربران را تحلیل کنند. این تحلیل شامل بررسی الگوی تایپ و حرکات ماوس، عادات خرج کردن و مکان‌های معمول تراکنش و همچنین زمان‌های غیرعادی برای ورود به سیستم است.

گفتنی است که این رویکرد، باعث ایجاد یک سیستم احراز هویت پیوسته و غیرفعال (Passive Continuous Authentication)  می‌شود تا امنیت را در بالاترین سطح ممکن تضمین کند؛ بدون آنکه کاربر عادی کوچک‌ترین تأخیر یا اختلالی را در تجربه کاربری خود متوجه شود.

• یادگیری و تطبیق مداوم

با ظهور و تغییر الگوهای جدید تقلب، سیستم‌های یادگیری ماشین با بازآموزی و اصلاح مستمر توانایی‌های خود، مطمئن می‌شوند که تشخیص تقلب همواره دقیق، قوی و به‌روز باقی بماند. فناوری‌های پیشرفته‌ خودبهینه‌ساز (Self-Optimizing Technologies) حتی می‌توانند مدل‌های نظارت‌شده و بدون نظارت را به‌طور خودکار بازآموزی (Retrain) کنند تا دقت آن‌ها افزایش یابد.

• دفاع پیش‌گیرانه و پیش‌بینی‌کننده

یکی از تحولات چشمگیر یادگیری ماشین در حوزه تشخیص تقلب، امکان پیشگیری از وقوع تقلب پیش از بروز خسارت است.

با تحلیل عمیق داده‌های تاریخی و شناسایی روندهای جدید، مدل‌ها یک دفاع پیش‌بینانه را برای سازمان‌ها فعال می‌کنند و خسارات مالی را پیش از آنکه فرصت وقوع پیدا کنند، متوقف می‌سازند.

پیاده‌سازی یادگیری ماشین در تشخیص تقلب توسط کسب‌وکارها

فناوری یادگیری ماشین مزایای چشمگیری در حوزه‌های مختلف از جمله خدمات مالی، خرده‌فروشی، تجارت الکترونیک و بیمه ارائه می‌دهد. نقطه‌قوت اصلی این فناوری در توانایی آن برای تحلیل سریع حجم عظیمی از داده‌ها، شناسایی الگوهای رفتاری کاربران و انطباق مداوم با روندها و الگوهای جدید تقلب است.

• مؤسسات مالی

طبق گزارش Feedzai، حدود ۹۰٪ از بانک‌های جهان درحال‌حاضر از هوش مصنوعی و یادگیری ماشین برای پیشگیری و تشخیص تقلب استفاده می‌کنند.

در میان ۵۶۲ شرکت مالی مورد بررسی، رایج‌ترین کاربردهای این فناوری عبارت‌اند از پیشگیری از کلاهبرداری و فیشینگ (۵۰ درصد)، تشخیص تراکنش‌های مشکوک (۳۹ درصد)، نظارت بر تراکنش‌های ضدپولشویی (۳۰ درصد)، احراز هویت مشتری (۳۰ درصد) و بهینه‌سازی تجربه مشتری.

این رویکرد به بانک‌ها کمک می‌کند زیان‌های ناشی از تقلب را کاهش دهند و در عین حال تجربه مشتری را بهبود بخشند.

• بخش خرده‌فروشی

بازیگران بزرگ این صنعت مانند  فروشگاه‌های زنجیره‌ای Walmart از یادگیری ماشین برای تحلیل ویدیوهای زنده به‌صورت لحظه‌ای استفاده می‌کنند. این سیستم‌ها با بررسی رفتار مشتریان در فروشگاه، می‌توانند حرکات مشکوک را شناسایی کرده و حتی موقعیت‌های پرریسک را پیش‌بینی کنند.

• تجارت الکترونیک

طبق گزارش Juniper Research، پیش‌بینی می‌شود کسب‌وکارهای آنلاین تا سال ۲۰۲۹ بیش از ۱۰۹ میلیارد دلار به‌دلیل تقلب از دست بدهند.

از همین رو، مدل‌های یادگیری ماشین یک ابزار کلیدی برای جلوگیری از تراکنش‌های جعلی هستند و کمک می‌کنند مشتریان واقعی بدون مشکل و محدودیت خرید کنند.

• بیمه و مراقبت‌های درمانی

در صنعت بیمه و سلامت، یادگیری ماشین نقش مهمی در کاهش خطاهای مثبت کاذب (False Positives) و شناسایی ادعاهای جعلی بیمه‌ای دارد.

مطالعه‌ای که در یکی از گزارش‌های معتبر منتشر شده، نشان می‌دهد که الگوریتم‌های یادگیری ماشین می‌توانند درخواست‌های نادرست برای پرداخت یا خدمات را با دقت ۹۲ درصد شناسایی کنند. این یافته در شرایطی مطرح می‌شود که حجم تقلب در نظام سلامت آمریکا به ۶۸ میلیارد دلار رسیده است.

بیشتر بخوانید:

اتوماسیون مبتنی بر هوش مصنوعی چیست و چه تغییراتی را در کسب‌وکارها ایجاد می‌کند؟

کلام آخر

با گسترش مداوم فناوری‌های دیجیتال و افزایش پیچیدگی روش‌های تقلب، دیگر تکیه بر سیستم‌های سنتی برای محافظت از دارایی‌ها و اعتماد مشتریان کافی نیست. یادگیری ماشین با قدرت تحلیل حجم عظیمی از داده‌ها، شناسایی الگوهای پنهان و یادگیری از رفتارهای جدید، به یکی از کلیدی‌ترین ابزارهای مقابله با تقلب در جهان تبدیل شده است.

بااین‌حال، موفقیت در پیاده‌سازی چنین سیستم‌هایی تنها به مدل‌های هوش مصنوعی وابسته نیست، بلکه به زیرساختی امن، پایدار و مقیاس‌پذیر نیز نیاز دارد. در همین راستا، راهکارهای سازمانی ایرانسل با ارائه زیرساخت ابری، شبکه ارتباطی پرسرعت و مراکز داده امن، بستر قابل‌اعتمادی را برای توسعه و اجرای سامانه‌های پیشرفته تحلیلی و ضدتقلب در اختیار سازمان‌ها قرار می‌دهد.

در نهایت، آینده امنیت مالی و عملیاتی کسب‌وکارها در گرو هوشمندسازی تصمیم‌ها و استفاده از زیرساخت‌هایی است که بتوانند رشد و تحول فناورانه را پشتیبانی کنند.

اگر به آشنایی با خدمات و محصولات راهکارهای سازمانی ایرانسل علاقه‌مند هستید، می‌توانید با شماره‌گیری کد دستوری ستاره سه مربع (#۳*) یا از طریق ایمیل EB@mtnirancell.ir اطلاعات کامل محصولات را دریافت کنید.

منبع:

https://www.feedzai.com/blog/what-is-fraud-detection-for-machine-learning/

https://stripe.com/en-nl/resources/more/how-machine-learning-works-for-payment-fraud-detection-and-prevention