Обзор патентных решений в области интеграции машинного обучения с банковскими системами противодействия мошенничеству

Размещено на http://www.allbest.ru/

Обзор патентных решений в области интеграции машинного обучения с банковскими системами противодействия мошенничеству

Федосенко М.Ю.

Аннотация: В статье рассматриваются наиболее актуальные патентные решения в области интеграции машинного обучения в банковские системы противодействия мошенничеству (антифрод-системы). Описана актуальность использования комплексного автоматизированного программного обеспечения и возможностей его масштабирования при условии изменяемости угрозы мошеннических действий. Интеграция с машинным обучением имеет место при обработке статистических данных и выявления в них закономерностей при помощи вычислительных мощностей. В статье приведены патентные решения российских, американских, китайских учёных и разработчиков, описаны сферы применения и направления использования. мошенничество патентный банковский

Ключевые слова: мошенничество, антифрод-системы, системы предотвращения банковского мошенничества, патент, машинное обучение.

Annotation: The article discusses the most relevant patents in the integrating machine learning into anti-fraud banking systems. The article described relevance of the use of complex automated software and the possibilities of its scaling, subject to the variability of the threat of fraudulent activities. Integration with machine learning occurs when processing statistical data and identifying patterns in them using computing power. The article presents patent solutions of Russian, American, Chinese scientists and developers, describes the scope and directions of use.

Key words: fraud, antifraud systems, bank fraud prevention systems, patents, machine learning

Стремительное развитие информационных технологий сделало банковские карты популярным способом оплаты покупок. В следствие этого возросло число случаев мошенничества в банковских транзакциях. Так, в 2011-2012 годах произошла массовая серия первых атак на системы дистанционного банковского обслуживания. Поначалу они затронули в основном юридических лиц, а впоследствии - и физических. Это привело к тому, что потребители и финансовые учреждения начали терять денежные средства, а вручную проверить каждую сделку на наличие аномалий невозможно. Таким образом, появилась необходимость в эффективных и действенных подходах для выявления и предотвращения мошенничества. Разработка антифрод-систем призвана решить эту проблему. Под антифрод- системами понимаются программные комплексы для выявления предотвращения мошеннических транзакций. Антифрод-решения анализируют каждую сделку и присваивают ей метку, характеризующую ее надежность. Существуют два метода, используемых в антифроде: сигнатурный и метод, использующий технологии машинного обучения. Сигнатурный метод основан на использовании стандартных и уникальных правил, фильтров и списков, по которым и проверяется каждая сделка. К примеру, учитываются такие параметры, как сумма платежа, количество операций за единицу времени, уникальный токен банковской карты, биометрические данные пользователя, история покупок по данной банковской карте, IP-адрес устройства, с которого совершается платеж, наличие отклоненных платежей в прошлом, а также другие параметры. Однако у представленного подхода есть недостатки, один из которых - необходимость в постоянной доработке старых правил и создании новых. Подход, основанный на машинном обучении, характеризуется обработкой больших массивов данных и использованием алгоритмов, выявляющих скрытые корреляции между действиями пользователя и вероятностью мошенничества. Таким образом, это позволяет выявлять более сложные случаи мошенничества, например, когда невозможно однозначно классифицировать операции по карте, однако они существенно отличаются от обычного поведения ее владельца.

Недостатки сигнатурного метода и новизна метода, основанного на машинном обучении, привели к разработке как комплексного программного обеспечения, так и модульных решений, способных к интеграции и функционированию в готовых программных продуктах. Наибольших успехов в разработке систем антифрода достигли Китай, США, Германия. Однако российские учёные и разработчики тоже не стоят на месте и имеют свои запатентованные решения. Рассмотрим далее патентное исследование, содержащее "Комплексный обучающий метод и система тестирования по борьбе с мошенничеством" (Китай), "Обновление модели мошенничества с машинным обучением на основе информации о транзакциях третьих лиц" (США), и российские разработки: "Менеджер по принятию решений по кредитным рискам", "Автоматизированная система обеспечения безопасности процессинга платежей "ФродЗащита-МП"", "Программа расчета рейтинга пользователя в антифрод системе банка".

1. Integrated learning anti-fraud test method and system (CN108038701 (A)) (Комплексный обучающий метод и система тестирования по борьбе с мошенничеством): Изобретение представляет собой метод интегрированного обучения по борьбе с мошенничеством и направлено на устранение недостатков технологий контроля рисков и борьбы с мошенничеством в сфере интернет-финансов, а также предоставление прикладной технологии интегрированного обучения для проведения тестирования контроля рисков на пользователях их транзакциях. Способ включает следующие шаги:

• Извлечение набора обучающих выборок, с последующим извлечением из неё пользовательской информации.

• Обучение базового классификатора с выявлением ракурса признаков при помощи алгоритма многочленной классификации - для дальнейшего получения базового набора классификаторов.

• Обработку набора базовых классификаторов с использованием метода интегрированного обучения для получения интегрированной модели классификации;

• Классификацию тестовых образцов с использованием интегрированной модели классификации - для получения промежуточного результата теста.

• Выполнение интеграции с использованием другого алгоритма машинного обучения - для получения окончательного результата.

Кроме того, изобретение раскрывает интегрированную обучающую тестовую систему противодействия мошенничеству на основе данного способа. Согласно методу и системе, мошеннические аккаунты пользователей в интернет-транзакциях могут быть эффективно протестированы. В то же время обеспечивается относительно хорошая генерализация и более высокая стабильность [1].

2. Updating a machine learning fraud model based on third party transaction information (US2020294054 (A1)) (Обновление модели мошенничества с машинным обучением на основе информации о транзакциях третьих лиц): Суть работы изобретения заключается в следующем: устройство принимает информацию о первой транзакции, связанную с первой транзакцией из базы, и первый транзакционный счет, используемый для данной транзакции и связанный с финансовым учреждением. На основе модели мошенничества устройство определяет, что первая транзакция должна быть отклонена из-за потенциального мошенничества, связанного с учетной записью транзакции из базы. Затем получает информацию о следующей (второй) транзакции, связанной со второй транзакцией из базы и соответствующую ей транзакционную учетную запись, используемую для данной транзакции и связанную со следующим (вторым) финансовым учреждением.

Устройство обрабатывает информацию о первой транзакции и информацию о второй транзакции с помощью соответствующей модели, чтобы определить, совпадает ли информация первой транзакции с информацией второй транзакции, и определяет, что первая транзакция была ошибочно отклонена, когда информация первой транзакции совпадает с информацией об второй транзакции в пределах заранее установленный пороговых значений. Устройство выполняет одно или несколько действий для определения того, что первая транзакция была ошибочно отклонена [2].

3. Credit Risk Decision Manager (RU 2018610198): Данная программа предназначена для управления заявками по принятию кредитного решения. Программа реализует функционал вызова внутренних и внешних сервисов для реализации логики стратегии по клиенту. Функциональные возможности отражаются в возможности взаимодействия с внешними веб-сервисами, обработки множественных данных в стратегии принятия решения, настройки системы "Чемпион-Претендент", синхронизации процедур на базе централизованного управления (SCRAM), взаимодействия с реляционной базой данных на чтение и запись, высокой производительности обработки потока заявок (одновременная обработка до 10-15 тыс. заявок, время принятия решения 20-40 секунд), режиме многопоточности, разработке и/или управление интерфейсами Андеррайтеров/Фродовиков, управлении очередью заявок, приоритезации заявок, использовании моделей, построенных на принципах машинного обучения, наличии многопользовательского режима. Сфера применения: банковская и финансовая сфера с акцентом на кредитование [3].

4. НЕКСТБИ Аналитика (RU2019610632): Программа предназначена для анализа данных и построения ассоциативных связей с возможностью применения машинного обучения. Используется в обеспечении экономической, кадровой и информационной безопасности, анализе больших данных, анализе данных в режиме реального времени, антифрод-системах. Функциональные возможности заключаются в многопользовательской платформе клиент-сервер, разделении прав доступа пользователей, подключении к различным источникам данных, наличии графического пользовательского интерфейса, нормализации и сохранении больших объёмов данных, распределенном кэширование данных, возможности построения отчетов, выявлении и визуализация ассоциативных связей, процессор правил, машинное обучение, масштабирование средствами микросервисной архитектуры [4].

5. Автоматизированная система обеспечения безопасности процессинга платежей "ФродЗащита-МП" (RU2020660440): Программа предназначена для управления и администрирования рисками и предотвращению мошеннических операций. Функциональные возможности заключаются в комплексной системе противодействия мошенничеству, состоящей из автоматизированного модуля предотвращения платёжного мошенничества, системы предотвращения мошенничества с возвратами платежей; системы мониторинга транзакций в режиме реального времени, системы ручного модерирования мошеннических транзакций, системы автоматического скоринга и анализ риска, системы контроля входящих транзакций и исходящих платёжных поручений [5].

6. Программа расчета рейтинга пользователя в антифрод системе банка (RU2020611064): Программа предназначена для подробного взаимодействия полноценной системы с пользователем. Она является основной частью антифрод системы и использует данные клиента, заявленные как персональные. Функциональными возможностями программы являются расчет рейтинга пользователя по внутреннему алгоритму, суммирование и подведение общего итога для каждой из заявленных категорий в программе. В программе реализованы базовые возможности подсчета и учета: определение рейтинга, суммирование внутренних данных, подведение итога, перенаправляемого в антифрод систему, доступ к алгоритму определения рейтинга для антифрод системы [6].

Сравнительная характеристика описанных патентов, с учётом смежных документов и технической характеристики представлена в таблице 1.

Таблица 1.

Сравнительная характеристика патентных решений

Таким образом, наблюдаемое усложнение информационных систем в современных реалиях приводит к всё большей актуальности машинного обучения перед классическим программным обеспечением. Это связано с возрастающими объёмами обрабатываемых данных и необходимостью поиска на их основе закономерностей. Однако имеющийся математический аппарат и объёмы вычислительных ресурсов современных информационных систем позволяет не только интеграцию алгоритмом машинной обработки данных, но и обеспечение высокой точности моделей принятия решений.

Машинное обучения также находит всё большее применение в системах противодействия банковскому мошенничеству, о чём свидетельствуют рассмотренные патентные решения. Программные продукты, основанные на обработке данных способны принимать быстрые и точные решения, что невозможно было бы обеспечить, основываясь только на человеческих ресурсах без процесса автоматизации. Однако человеческий ресурс по-прежнему необходим для разработки и сопровождения таких систем и как дополнительный фактор принятия решения в спорных ситуациях, когда искусственный интеллект не способен принять однозначное решение.

Использованные источники

1. Haifeng L. Integrated learning anti-fraud test method and system / Свидетельство о регистрации авторских прав на программное обеспечение для ЭВМ, рег. № 20180320 от 05.15.2018. - М.: Государственное управление по авторским правам Китайской Народной Республики, 2018.

2. Hart C., Edwards J., Perezleon F., Johnson M., Newman K., Wu A., Ji J. Updating a machine learning fraud model based on third party transaction information / Свидетельство о регистрации авторских прав на программное обеспечение для ЭВМ рег. № 20200529 от 17.09.2020. - М.: МПК, 2020.

3. Непершин Р., Корешникова М.А., Черкашина А.С., Барсуков Е.С. Credit Risk Decision Manager/ Свидетельство о государственной регистрации ПрЭВМ, рег. № 2017661397 от 02.11.2017. - М.: Роспатент, 2018.

4. Цыкунов А.Б., Шипилов М.В., Костин Д.В. НЕКСТБИ Аналитика / Свидетельство о государственной регистрации ПрЭВМ, рег. № 2018664244 от 11.12.2018. - М.: Роспатент, 2019.

5. Щеглов Ю.М. Автоматизированная система обеспечения безопасности процессинга платежей "Фродзащита-МП" / Свидетельство о государственной регистрации ПрЭВМ, рег. № 2020619214 от 18.08.2020. - М.: Роспатент, 2020.

6. Норкин О.Р., Мальков Д.С. Программа расчета рейтинга пользователя в антифрод системе банка/ Свидетельство о государственной регистрации ПрЭВМ, рег. № 2019667769 от 30.12.2019. - М.: Роспатент, 2020.

Размещено на Allbest.ru