Thứ bảy, 29/09/2018 - 06:55

Giảm kết quả dương tính giả trong phát hiện gian lận thẻ tín dụng

Dân trí

Thẻ tín dụng của người tiêu dùng thường bị từ chối một cách đáng ngạc nhiên trong các giao dịch hợp pháp. Nguyên nhân là do các công nghệ được ngân hàng mà chủ thẻ sử dụng, phát ra tín hiệu không chính xác về giao dịch được xem là đáng ngờ.

Nhưng giờ đây, các nhà nghiên cứu tại Viện Công nghệ Massachusetts (MIT) đã sử dụng kỹ thuật học máy mới để giảm thiểu kết quả sai lệnh, tiết kiệm chi phí cho ngân hàng và giảm bớt sự thất vọng của khách hàng.


Các nhà nghiên cứu tại MIT đã sử dụng kỹ thuật học máy mới để giảm đáng kể kết quả dương tính giả của các công nghệ phát hiện gian lận.

Các nhà nghiên cứu tại MIT đã sử dụng kỹ thuật học máy mới để giảm đáng kể kết quả dương tính giả của các công nghệ phát hiện gian lận.

Sử dụng máy học để phát hiện gian lận tài chính đã bắt đầu được áp dụng từ thập niên 90 và được cải tiến qua nhiều năm. Nhóm nghiên cứu đã lập trình để các mô hình trích xuất những mẫu hành vi từ các giao dịch trong quá khứ, được gọi là "đặc trưng”, có khả năng báo hiệu gian lận. Khi bạn quẹt thẻ, thẻ sẽ kết nối với mô hình và nếu các đặc trưng tương ứng với hành vi lừa đảo, giao dịch sẽ bị ngăn chặn.

Tuy nhiên, trên thực tế, các nhà khoa học dữ liệu phải tượng tượng ra các đặc trưng đó, chủ yếu tập trung vào các quy tắc đảm bảo về số lượng và vị trí. Nếu bất kỳ khách hàng nào tiêu nhiều hơn, ví dụ: 2.000 USD cho một lần mua sắm hoặc thực hiện nhiều giao dịch mua trong một ngày, thì có thể bị nghi ngờ.

Nhưng do thói quen chi tiêu của người tiêu dùng thay đổi, nên ngay cả trong tài khoản cá nhân, các mô hình này đôi khi cũng không chính xác: Một báo cáo năm 2015 của Công ty Chiến lược và Nghiên cứu Javelin ước tính trong 5 dự báo gian lận thì có 1 dự báo là chính xác và lỗi xảy ra làm giảm đến 118 tỷ USD doanh thu của ngân hàng, khi các khách hàng bị từ chối và sau đó không sử dụng thẻ tín dụng của ngân hàng này nữa.

Nhóm nghiên cứu tại MIT đã đưa ra phương pháp "kỹ thuật đặc trưng tự động", trích xuất hơn 200 đặc trưng chi tiết cho từng giao dịch cá nhân, nếu người dùng có mặt trong quá trình mua hàng và số tiền trung bình được chi tiêu vào các ngày cụ thể tại một số nhà cung cấp nhất định. Theo đó, có thể xác định chính xác hơn thời điểm những thói quen chi tiêu của một chủ thẻ đi lệch tiêu chuẩn.

Thử nghiệm trên một bộ dữ liệu gồm 1,8 triệu giao dịch từ một ngân hàng lớn, mô hình đã giảm 54% các kết quả được dự báo dương tính giả so với các mô hình truyền thống. Theo ước tính của các nhà nghiên cứu, ngân hàng có thể tiết kiệm 190.000 euro (khoảng 220.000 USD) tổn thất doanh thu.

"Thách thức lớn trong ngành ngân hàng là kết quả dương tính giả", Kalyan Veeramachaneni, đồng tác giả nghiên cứu nói. "Chúng tôi cho rằng có sự kết nối trực tiếp giữa kỹ thuật đặc trưng với việc giảm kết quả dương tính giả... Đó là yếu tố tác động mạnh nhất đến việc làm tăng độ chính xác của các mô hình học máy này".

N.P.D-NASATI (Theo Techxplore)