Vijf manieren waarop AI en Machine Learning kunnen helpen bij fraudebestrijding

Het zijn vandaag twee van de populairste begrippen: artificiële intelligentie (AI) en machine learning. Dat is niet verwonderlijk: beide concepten zorgen immers voor een omwenteling in zowat alle bedrijfstakken en disciplines. AI en machine learning helpen bedrijven om interne processen te stroomlijnen en zo efficiënter te werken, kunnen enorme hoeveelheden data analyseren om tot een intelligente beslissing te komen, en creëren nieuwe, innovatieve diensten om de klantenervaring te verbeteren. Een van de sectoren waarin AI en machine learning in het bijzonder een grote impact hebben, is de financiële dienstverlening. Dit geldt vooral voor de fraudebestrijding: die groeit voortdurend aangezien criminelen steeds nieuwe manieren vinden om toegang te krijgen tot gebruikersaccounts.

Tim-Bedard-High-res-200x300 Tim Bedard is Director Security Product Marketing bij OneSpan

Een voorbeeld: een van de meest hachelijke fraudetypes is account takeover. Dat is een vorm van identiteitsdiefstal waarbij een cybercrimineel illegaal toegang krijgt tot de bankaccount van een slachtoffer met behulp van bots. Het aantal fraudegevallen verdrievoudigde de voorbije 12 maand en de verliezen liepen op tot meer dan 5 miljard dollar.

Maar hoe kunnen AI en machine learning helpen om deze groeiende fraude tegen te gaan? We zetten vijf manieren op een rijtje.

1. Accurate data-analyse

Een van de belangrijkste kenmerken van de algoritmes van machine learning, is dat ze grote hoeveelheden transactiegegevens kunnen verwerken, en met grote accuraatheid in real-time verdachte transacties kunnen signaleren. Deze risicogebaseerde analytische aanpak herkent complexe patronen die moeilijk te detecteren zijn voor analisten. Dankzij de technologie kunnen banken en financiële instellingen meer fraude vaststellen, wat hen operationeel efficiënter maakt.

De algoritmes houden rekening met verschillende factoren, zoals de locatie van de gebruiker, het toestel dat hij gebruikt en andere contextuele data die samen een gedetailleerd beeld geven van elke transactie. Deze aanpak verbetert de real-time beslissingen en beschermt gebruikers tegen fraude, zonder te raken aan de gebruikerservaring.

Deze trend zal zich verder doorzetten in de komende Jaren. Dankzij sterke technologische ontwikkelingen, zullen bedrijven steeds meer op de algoritmes van machine learning rekenen om te bepalen of transacties al dan niet verdacht zijn.

2. Meer ademruimte voor fraudeanalisten

Door de snelle opmars van nieuwe cyberbedreigingen en de grote hoeveelheden data die geanalyseerd moeten worden, heeft de fraudeanalist een schier onmogelijke taak om alles wat verdacht lijkt te gaan bepalen. Financiële instellingen moeten dus een innovatieve aanpak voorzien, waarbij ze snel een analyse kunnen maken van de cross-channelgegevens en zo de fraude in real-time kunnen tegengaan.

Met AI wordt die data-analyse uitgevoerd in milliseconden. De ingewikkelde patronen worden snel en efficiënt gedetecteerd, terwijl het voor een analist veel moeilijker is om die te herkennen.

AI vermindert het manuele werk dat nodig is om alle transacties te monitoren, omdat er minder cases moeten worden nagekeken door een fraudeanalist. Zo zal de kwaliteit en de efficiëntie van hun werk toenemen, en zal de werklast wat verminderen. Zo kunnen ze zich concentreren op die gevallen die wél hun aandacht verdienen, zoals wanneer het risico het hoogst is. Dat drukt de kosten van de fraudebestrijding en verhoogt de efficiëntiegraad.

3. Minder false positives

De term ‘vals-positief’ wordt vaak geassocieerd met de strijd tegen fraude. Het geeft aan dat het voor banken nog steeds een grote uitdaging is om het aantal vals-positieven te beperken, wat moet leiden tot besparing van tijd en geld, en tot minder gefrustreerde gebruikers.

AI en machine learning spelen hierbij een belangrijke rol. Omdat ze in staat zijn om grote volumes data te analyseren en verbanden te leggen tussen eenheden en fraudepatronen, waaronder ook ongekende fraudescenario’s, kan de aanwezigheid van vals-positieven drastisch verminderd worden.

Dat betekent dat er minder gebruikers abusievelijk worden geweigerd door een vermoeden van fraude. Daardoor zullen medewerkers minder tijd en werk nodig hebben om de gesignaleerde transacties te onderzoeken.

4. Een effectieve fraudedetectie

Zoals al eerder vermeld, kunnen de algoritmes van machine learning patronen herkennen in grote hoeveelheden gestructureerde en ongestructureerde data. De technologie is dus aanzienlijk beter dan mensen om nieuwe fraudeaanvallen te identificeren.

De technologie kan piekverkeer vanuit ongewone bronnen voorspellen, of een gedetailleerd profiel van een gebruiker opstellen en anomalieën detecteren nog voor ze zich volledig ontwikkelen. Dat wil dus zeggen dat een efficiëntere detectie van aanvallen een van de bepalende voordelen is van AI en machine learning. En aangezien deze tools steeds doortastender worden, zal het voordeel voor de banken en financiële instellingen exponentieel toenemen.

5. Voldoen aan de regelgeving

Fraudebestrijding die gebaseerd is op manueel gedefinieerde regels en principes kunnen niet meer mee in het huidige ecosysteem van digitaal bankieren. Om vooruit te blijven, moeten financiële instellingen een systeem voor fraudebestrijding dat kan rekenen op AI, en de supervised en unsupervised machine learning.

Machine learning zorgt dat organisaties data met context kunnen analyseren over verschillende toestellen, applications en transacties heen. Bovendien vraagt het weinig manuele input. Dat betekent dat principes en regels voortdurend aangepast kunnen worden, wat essentieel om aan de regelgeving te blijven beantwoorden doorheen de tijd. Dit kan de banken veel tijd besparen, en vermindert ook de kans op boetes.

Uiteindelijk is het belangrijk om te onthouden dat deze verschillende elementen niet los van elkaar bekeken mogen worden. Het zijn allemaal belangrijke stukken van de grote puzzel om fraude tegen te gaan. Samen vormen ze het geheel dat de bankindustrie en zijn klanten beschermt tegen het grote probleem van financiële fraude waar de sector mee kampt.

Door Tim Bedard, Director Security Product Marketing bij OneSpan

Lees ook
Visiepaper Tesorion AI in Cybersecurity

Visiepaper Tesorion AI in Cybersecurity

In de paper Artificial Intelligence in Cybersecurity lees je meer over onderwerpen als FraudGPT, ShadowAI, geavanceerde GenAI Phishing en het gebruik van deepfakes in social engineering tactieken.

Qualys neemt deel aan Microsoft Security Copilot Partner Private Preview

Qualys neemt deel aan Microsoft Security Copilot Partner Private Preview

Qualys neemt deel aan de Microsoft Security Copilot Partner Private Preview. Microsoft selecteerde Qualys vanwege de lange ervaring die het bedrijf heeft met de beveiligingsoplossingen, de medewerking die het verleent aan de ontwikkeling van nieuwe functionaliteit en de hechte relatie.

Het vraagstuk van verantwoord gebruik van AI-toepassingen binnen organisaties

Het vraagstuk van verantwoord gebruik van AI-toepassingen binnen organisaties

Artificial intelligence (AI) heeft in korte tijd zijn stempel gedrukt op vrijwel elke afdeling van organisaties. Of het nu gaat om klantenservice, marketing, data-analyse of financiële planning: AI-tools spelen een cruciale rol bij het verhogen van de efficiëntie van bedrijfsprocessen. Maar weten bedrijven hoe vaak en op welke manier hun werknemer1