Intelligenza artificiale e machine learning stanno aiutando le aziende a ottimizzare i processi interni per migliorare l’efficienza, a capire il senso di grandi quantità di dati per favorire processi decisionali intelligenti e a creare nuovi e innovativi servizi per migliorare la customer experience.
Un settore in cui l’intelligenza artificiale e il machine learning stanno avendo particolare impatto è quello dei servizi finanziari, in particolare in tema di contrasto alle frodi, che sono in espansione.
Ad esempio l’account takeover, che consiste nell’impadronirsi delle credenziali di accesso a un account per usarlo illecitamente all’insaputa dell’utente legittimo, è cresciuto significativamente nel 2018, con un numero di attacchi triplicato rispetto all’anno precedente e con perdite che hanno raggiunto i 5,1 miliardi di dollari.
In che modo le tecnologie di intelligenza artificiale e il machine learning aiutano a combattere queste frodi? Lo abbiamo chiesto a Tim Bedard, Director of Security Product Marketing di OneSpan, esperto della materia, che ha individuato cinque modalità.
Accuratezza delle analisi dei dati
Una delle caratteristiche più importanti degli algoritmi di machine learning è che sono in grado di analizzare vaste quantità di dati relativi alle transazioni e segnalare in tempo reale quelle sospette assegnandogli punteggi di rischio altamente accurati.
Questo approccio analitico basato sul rischio rileva modelli complessi che sono difficili da identificare per gli analisti, il che significa che le banche e le organizzazioni finanziarie diventano molto più efficienti dal punto di vista operativo e allo stesso tempo riescono a rilevare più frodi.
Gli algoritmi tengono conto di diversi fattori, tra cui la posizione del cliente, il dispositivo utilizzato e altri dati contestuali, per creare un quadro dettagliato di ogni transazione. Questo approccio migliora le decisioni in tempo reale e protegge più efficacemente i clienti dalle frodi, il tutto senza influire sulla user experience.
E questa tendenza continuerà nei prossimi anni. Grazie al significativo sviluppo tecnologico in questo ambito, le organizzazioni faranno sempre più affidamento su algoritmi di apprendimento automatico per decidere quali transazioni siano sospette.
Ottimizzazione del lavoro degli analisti di frodi
L’accelerazione delle nuove minacce informatiche, combinata con una grande quantità di dati da esaminare, impone agli analisti di frodi il quasi impossibile compito di dover identificare qualsiasi elemento sospetto in modo tempestivo. Pertanto, le istituzioni finanziarie devono adottare un approccio innovativo che consenta di effettuare in modo rapido l’analisi e l’estrazione dei dati su più canali e, contestualmente, di rilevare le frodi in tempo reale.
Con intelligenza artificiale l’analisi dei dati viene completata in millisecondi, individuando in modo efficiente schemi complessi che possono essere difficili da identificare per un analista umano.
Ciò riduce la quantità di lavoro manuale necessaria per il monitoraggio di tutte le transazioni, perché solo un numero inferiore di casi richiede l’attenzione umana.
Anche la qualità e l’efficienza del lavoro degli analisti di frodi aumenta, in quanto vengono sgravati da compiti time-consuming e possono concentrarsi solo sui casi più importanti, ad esempio quelli in cui i punteggi di rischio sono più alti. Ciò riduce il costo delle attività antifrode e aumenta il tasso di transazioni autentiche processate con successo grazie a una migliore valutazione del rischio.
Riduzione dei falsi positivi
Con il livello di complessità raggiunto dalle attuali infrastrutture finanziarie, l’espressione falso positivo è diventata strettamente associata ai tentativi del settore di contrastare le frodi. Di conseguenza, una delle maggiori sfide del settore bancario consiste nel ridurre al minimo la quantità di falsi positivi generati, risparmiando così tempo e denaro ed evitando di frustrare inutilmente i clienti.
L’intelligenza artificiale e il machine learning giocano un ruolo importante in questo ambito, poiché sono in grado di analizzare una serie molto più ampia di dati, di connessioni e di modelli di frode, compresi quelli non ancora noti agli analisti , la prevalenza di falsi positivi può essere drasticamente ridotta.
Ciò determina un minor numero di clienti respinti per motivi di frode e la diminuzione dei costi di lavoro e tempo associati all’assegnazione di personale dedicato alla revisione delle transazioni segnalate.
Rilevamento efficace degli attacchi
Come accennato in precedenza, gli algoritmi di apprendimento automatico sono capaci di identificare modelli di frode in vasti gruppi di dati strutturati e non strutturati. Questo li rende significativamente migliori del controllo umano nel rilevare nuove tecniche di attacco.
Che si tratti della capacità di prevedere picchi di traffico da fonti insolite o di creare profili dettagliati dei clienti per rilevare le anomalie prima che si sviluppino, il rilevamento più efficace degli attacchi è uno dei principali vantaggi offerti dall’Intelligenza artificiale e dal machine learning. E, man mano che questi strumenti diventano più potenti, le prospettive per le banche e le istituzioni finanziarie migliorano in modo esponenziale.
Conseguimento della conformità alle normative
Un sistema di prevenzione delle frodi basato su regole e policy definite manualmente non può più tenere il passo nell’odierno ecosistema del digital banking. Per restare all’avanguardia, le istituzioni finanziarie necessitano pertanto di una soluzione di rilevazione delle frodi che sfrutti l’intelligenza artificiale attraverso l’apprendimento automatico supervisionato e non supervisionato.
Il machine learning consente alle organizzazioni di analizzare dati contestuali attraverso dispositivi, applicazioni e transazioni e richiede pochissimi input manuali. Ciò significa che le policy possono essere costantemente adattate, il che è essenziale per mantenere la conformità normativa nel tempo (ad esempio alla PSD2). Ciò può far risparmiare tempo alle banche e minimizzare il rischio di costose multe.
Infine, è importante ricordare che questi diversi elementi non possono essere considerati isolatamente. Sono tutti tasselli fondamentali nel puzzle generale della prevenzione delle frodi, che si uniscono per aiutare il settore bancario a proteggere i clienti e a combattere il problema enormemente costoso rappresentato dalle frodi finanziarie.
