SVENSKA

Hur maskininlärning är med på online detaljhandeln bedrägeri

210

Amazon Prime Dag (APD) var en stor framgång, säger de. Vid en uppskattning 60-procentig ökning i försäljningen under 2016 och nästan 2 miljarder dollar i intäkter, det är svårt att hävda något annat.

Om du vill prata tal men låt oss överväga detta. Vad skulle du säga om du fick veta att Amazon skulle förlora nästan 5 procent av intäkterna, eller $100 miljoner, på grund av bedrägeri?

Det är en hel del pengar. Och det är inte bara Amazon på sin bästa Dag, det är varje online-återförsäljare som är utsatt för bedrägerier på nätet varje dag.

Detaljhandeln kännetecken som APD eller Julen att göra saker och ting värre. Vad kan göras för att förhindra detta? Machine learning (ML) till undsättning. ZDNet talade för att förebygga bedrägerier startups Fraugster och Riskified att få sina insikter.

Anatomi för bedrägerier

Enligt branschens blogg Detaljhandel Sinnade, det finns två huvudsakliga typer av bedrägerier — återkrav bedrägeri och kort-testning bedrägeri. Återkravet bedrägeri innebär att inköp som redovisas som aldrig levereras och laddade sedan tillbaka till handlaren av kreditkortsföretaget.

Kort-testning bedrägeri som händer när tjuvar med en lista över stulna kortnummer i huvudsak “spela slots” genom att försöka köpa efter att köpa från en webbutik med olika nummer tills de hittar ett kortnummer som lyckas. De sedan använda detta nummer för att göra bedrägliga inköp i andra butiker.

Det tar både kompetens och resurser för att kunna identifiera bedrägerier. Jättar som Amazon kan vara i stånd att ta itu med här i huset, men de flesta återförsäljare är inte. Och i alla fall, detta är inte något som återförsäljare skulle vilja spendera resurser på.

Enligt ett 2016 rapport, den genomsnittliga årliga finansiella kostnader hänföras till bedrägerier för återförsäljare var 7,6 procent av de årliga intäkterna i alla kanaler, inklusive online och offline. Sju procent av de som är hänförlig till återkrav; 74 procent är för bedrägeri programvara, hårdvara och anställda, och 19 procent kommer från falska positiva — transaktioner felaktigt förkastas som ett bedrägeri.

Och det är på en business-as-usual dag. På AMD, kunder som är verksamma på Amazon har enligt rapporter sett en ökning på 150 procent i bedrägeri försök. För att göra matematiken för återkrav och falska positiva, vi anländer vid 5%/$100 miljoner siffror.

Naturligtvis, trubbig av återförsäljare spendera hänföras till bedrägerier går till bedrägeri programvara, hårdvara och anställda. Väl spenderade pengar så långt som detaljister är berörda förmodligen, eftersom de utgör resurser som krävs för att minimera påverkan av bedrägeri.

Det här är en bransch med stora resurser att spendera och motivation att göra så, producerar och sitter på massor av data. Precis som alla andra domän med dessa egenskaper, det verkar mogen för automatisering med hjälp av ML. Här är hur Fraugster och Riskified närma sig detta.

Inga falska positiva, vi är positiva

Riskified är ett bedrägeri management-lösning för företag online-återförsäljare, co-grundades av Eido Gal och Assaf Feldman under 2012. Assaf är en MIT examen med 15 års erfarenhet av att utveckla maskinlärande algoritmer och Gal hade arbetat på risk och identitet lösningar på olika startups, inklusive Bedrägerier Vetenskaper, som köptes av PayPal.

Gal säger att de insåg att det fanns en lucka i e-handel branschen lyckats risk: “medan de flesta återförsäljare förlitar sig på lösningar från tredje part för vissa delar av deras online-verksamhet, såsom betalning bearbetning och webbsidor, varje köpman som var att försöka hantera bedrägeri-i-house. Bedrägeri-förebyggande verktyg som finns på marknaden vid denna tid i allmänhet återförsäljare med risk poäng per transaktion, och säljarens interna bedrägerier team fick i uppdrag att besluta om att godta eller förkasta.”

Gal noteras att scoring verktyg flaggade någon statistiskt riskfyllda transaktioner och bedrägeri lag var inriktad på att förebygga förluster.

Denna kombination gjorde att återförsäljare hamnade vända bort många legitima kunder på grund av misstänkt bedrägeri, och gå miste om betydande intäkter. Riskified vision var att lägga ut bedrägeri upptäckt att experter, vilket gör att återförsäljare fokusera på ökade intäkter och förbättrad kundservice.

Företaget byggt en ML baserad bedrägeri detection system, och mobiliserade en affärsmodell som de säger säkerställer att deras mål överensstämmer med återförsäljare: att driva försäljning till bra kunder och samtidigt undvika bedrägerier. Istället för att erbjuda en risk poäng och ta ut en fast avgift för varje transaktion, Riskified erbjuder återförsäljare det möjlighet att godkänna eller neka transaktionen.

Riskified bara tar ut en avgift för godkänd order som omfattas av ett återkrav garanti i fall av bedrägeri. Gal säger detta incentivizes Riskified att godkänna så många bra transaktioner som möjligt, medan återkrav garanti betyder det tar på bedrägeri ansvar för varje beställning godkänner det, kräver företaget att korrekt identifiera bedrägeriförsök.

För att detta ska fungera, Riskified algoritmer måste antingen vara mindre kräsen om vad de godkänner, eller mer smart. Gal säger att i äldre system, varje element får en poäng, vilket bidrog till den totala risken värdering av transaktioner.

Till exempel, för frakt till en re-avsändaren eller släpps ut via en proxy-server kommer att “straffas” eftersom dessa är potentiella indikatorer av bedräglig verksamhet.

“Riskified ML modeller är mycket mer komplex, med hänsyn till många fler datapunkter för att avslöja samband med beställningen. I detta exempel, tack vare automatisk data berikning, vårt system kommer att ha en indikation på att medan order leverans till en USA-baserad åter avsändaren, varans slutliga destination är i Kina.

Vi vet att det statistiskt sett, det är vanligt att konsumenter i Kina för att använda proxy-servrar när du handlar på nätet, och som för att undvika höga kostnader för frakt, många bra Kinesiska konsumenter använder re-shipping-tjänster. Detta är en insikt som ingår som en funktion i våra algoritmer.

Men våra ML modeller överväga många fler datapunkter, som shopper online-beteende, sin digitala fotavtryck, och deras tidigare transaktioner med andra handlaren med Riskified lösning. Bara efter att ha utvärderat alla relevanta data, modeller nå ett beslut om att godkänna eller avböja den transaktionen.

När vi först lanserade Riskified, hela vår service var att identifiera goda beställningar som återförsäljare planerade att minska. Sedan dess har vi utökat vårt utbud, och idag har de flesta återförsäljare använder Riskified för hela deras online volym.”

Titta, mamma, inga regler

Fraugster, en tysk-Israeliska säkerhets företag som grundades 2014, har sin egen syn här. Fraugster grundades av Max Laemmle och Chen Zamir. Laemmle säger att efter många års arbete i olika branschaktörer, som de upplevt i första hand utmaningar för bedrägeri för e-handel handlare.

Han beskriver deras vision var “att designa och bygga en anti-bedrägeri teknik som kan bidra till att skapa ett bedrägeri fria världen.” Laemmle säger de fann att alla befintliga anti-fraud solutions bygger på föråldrad teknik och kunde inte ta itu med sofistikerade cyberkriminella:

“Befintlig regel-baserade system såväl som klassisk ML lösningar är dyra och långsamma att anpassa sig till nya bedrägerier mönster i real-tid, alltså felaktiga. Vårt team av intelligens och betalning experter tillbringat de senaste åren utformar vår egenutvecklade teknik från grunden. Resultatet är avancerad artificiell intelligens (AI) teknik som inte bara kan eliminera betalning bedrägeri, men också för att maximera intäkterna genom att minska falska positiva.”

Laemmle förklarar sin inställning på följande sätt:

“Att översätta intuition från regler eller processer är lika med en människa som dikterar att en maskin hur anledning. Detta kräver en hel del manuellt arbete. Vad våra motorn gör är att använda ML tekniker som inte ersätta dessa saker, men ersätta den mänskliga intuitionen del som vi anledning.

Slutresultatet är en deterministisk korrekta systemet, tränade inte av en människa utan av en maskin. Vår motor kräver ett rikt ordförråd och förmåga att knyta i dessa separat från ord till meningar och stycken som berättar en berättelse. Vi vill utöka vårt ordförråd och fortsätta att träna motorn för att välja rätt ord för att berätta rätt historia.”

Laemmle rapporterar att deras kunder som är verksamma på Amazon såg en ökning på 150 procent i bedrägeri försök på AMD.

“Det är tider då det är lättare för bedrägeri för att passera genom en manuell granskning eller klassisk ML-systemet på grund av att fler transaktioner och färre resurser.

Inte på grund av bristande noggrannhet, på grund av bristen på skalbarhet och nödvändig hastighet för att anpassa sig till nya fraudpatterns. En cyber kriminella allmänhet inte bryr sig om försäljning (de planerar på att få varan för gratis iaf) men under försäljning tid de går igenom en mindre negativ säkerhetssystem.

Eftersom det finns fler transaktioner och att det är svårt för manuell recensioner för att hålla upp och två, en artikel som är till försäljning kan gå genom ett system som är tänkt att titta på lägre prissatta poster, tror regel-baserade system. Vår teknik är mycket skalbar och self-learning så att den kan identifiera nya bedrägerier mönster som de dyker upp i realtid.

Alla ML spelare har att bygga lösningar eftersom de inte kan bearbeta data i real-tid. Detta betyder att de måste pre-segmentize data, etc. Deras lösningar är inte fullt automatiserade / friktionsfri. Fraugster inte använder mänskliga analytiker, regler eller modeller. Vår sökmotor fungerar helt självständigt utan att bidra med någon friktion i in-ut-processen”.

Mind the black box

Varje företag har sin egen metod och styrkor, men poängen här är inte att jämföra dem. Poängen är att dessa är några av de mest inflytelserika program i verkliga livet, big data och innovation. Program som dessa, även om de används i smyg så långt som de flesta av oss är berörda, tänja gränserna på ett antal nivåer.

Lika viktigt är det att den tekniska aspekten är de aspekter av öppenhet och efterlevnad. Assaf utvecklar:

“Medan den senaste tidens EU-lag som kräver att organisationer som förlitar sig på ML för användaren att påverka beslut att till fullo förklara de data som resulterade i detta beslut, insyn i ML beslut är också ett krav för verksamheten. I vår bransch, detaljhandeln behöver veta varför en viss shopper köpa identifierades som bedrägeri och därefter minskat.

I händelse av en allvarlig bedrägeri ring attack som resulterade i en hög återbetalning priser, online-handlare hålls ansvariga av betalning gateway/processor — och behovet av att förklara varför de bedrägliga köp har godkänts av algoritmer, och vad har gjorts för att säkerställa att sådana fall kan identifieras korrekt framöver.

Detta har varit en blindspot i tech-samhället och är en viktig anledning till att många företag är tveksamma till att utnyttja ML baserat verktyg, som de anser vara “black box” lösningar. Riskified har investerat betydande resurser i att ge återförsäljare med insyn i våra ML beslut.

Detta uppnåddes genom att översätta de verktyg som används av Riskified data forskare när forska ML decisioning till en visualisering som konsekvent förmedlar logiken bakom de modeller som ” beslut.”

Som vi har noterat tidigare, öppenhet och ML metoder verkar vara på oddsen för närvarande. Kravet på tydlighet innebär inte bara kommer från regelverk, men i stort kommer det från business-användare också, i likhet med många utövare. Medan olika metoder har föreslagits för att komma runt detta problemet, vid denna tid ingen perfekt lösning verkar finnas.