Рубрика: Fintech Notes
Первоисточник: Finextra - Managing Fraud Risks with Synthetic Data
Автор обзора:
Игорь Бушминский — эксперт направления «Казначейство и договоры» в Юникон Бизнес Солюшнс.
Применение машинного обучения в области выявления мошеннических операций широко распространено в финансовых организациях и фактически стало стандартом в данной сфере. Вместе с тем растет техническая подготовка мошенников, используются инструменты ИИ, например deepfake и голосовые модели. Таким образом, финансовые организации оказываются в «гонке технологий» и вынуждены гибко и быстро реагировать на новые преступные схемы.
Как указывается в материале, в Великобритании ситуацию для банков дополнительно усложнил регулятор, возложив на них финансовую ответственность перед жертвами за мошенничество с авторизованными платежами.
Качество и количество данных играют ключевую роль в машинном обучении. От них напрямую зависит точность модели. При обучении своих антифрод-систем финансовые организации могут сталкиваться со следующими недостатками в данных для обучения:
- Ограниченность и различный объем данных у организаций. Модель отдельно взятой организации обучается только на собственных данных. Отсутствует единая база по всем финансовым институтам. Чем меньше организация, тем меньшим набором данных она владеет.
- Устаревание данных. Высокая скорость появления новых схем мошенничества и использование новых технологий требуют постоянного дообучения модели. В силу описанной выше проблемы организация может испытывать дефицит данных для дообучения.
- Качество данных. В силу чувствительности машинного обучения к качеству данных наличие ошибок в них может исказить модель и привести к неточностям.
В материале раскрывается использование синтетических данных для решения описанных проблем. Статья может быть интересна широкому кругу читателей, заинтересованных в современных тенденциях и зарубежном опыте борьбы с финансовым мошенничеством.
Стоит отметить, что в России данная проблема стоит крайне остро. Принят ФЗ от 24.07.2023 № 369-ФЗ «О внесении изменений в Федеральный закон «О национальной платежной системе». В нем, в частности, содержится похожая мера, обязывающая оператора по переводу денежных средств вернуть средства в случае, если антифрод-система сработала некачественно и допустила перевод. Кроме того, ЦБ создает агрегированные базы данных, позволяющие кредитным организациям дополнять собственные данные информацией от других банков.