Como melhorar a detecção de bots com aprendizado de máquina

Views: 189
0 0
Read Time:4 Minute, 35 Second
  • Antes do Covid-19, as instituições financeiras viram uma proporção de 10:1 de tentativas de login maliciosas e legítimas baseadas em bots, de acordo com a prática de Fraude e AML do Aite Group. Tentativas de login maliciosas estão estabelecendo novos recordes a cada mês.
  • Entre 2018 e 2019, houve um aumento de 84% no número de relatórios de dados violados, chegando a 15,1B no ano passado.
  • As operações de fraude financiadas pelo crime organizado são muito parecidas com empresas legítimas, completas com campanhas de recrutamento contínuas para a IA, experiência em bots e aprendizado de máquina e locais de escritório focados no desenvolvimento de estratégias de violação.
  • A partir de junho de 2020, as credenciais de login para bancos on-line giravam em média cerca de US$ 35 na dark web, enquanto os detalhes do cartão de pagamento giravam em média entre US$ 12 e US$ 20 cada, de acordo com a análise novamente da Help Net Security.

Interessado em entender como a IA e o aprendizado de máquina estão sendo usados para evitar tentativas de fraude baseadas em bots, participei de alguns webinars recentes com os 3 elementos-chave necessários para a detecção de bots bem-sucedidos de Kount sendo um dos mais perspicazes. Trace Fooshee, Analista Sênior do Aite Group e Sven Hindman, Gerente de Produto da Kount, têm décadas de experiência nessa área. O webinar proporcionou uma oportunidade de ver as novidades no uso de IA e aprendizado de máquina para evitar fraudes. Os seguintes insights-chave do webinar refletem o quão avançada é a fraude baseada em bots e as três etapas necessárias para detectar melhores e frustrar ataques de bot baseados em fraudes:

  • Os anéis de fraude cresceram em complexidade e escala e se assemelham às empresas hoje, completas com sua cadeia de valor de crimes financeiros. Trace Fooshee, analista sênior do Aite Group, criou uma estrutura da cadeia de valor do crime financeiro que explica as estratégias de fraude baseadas em bots em escala corporativa em uso hoje. Os anéis de fraude dependem de bots ruins para atingir os objetivos de cada fase da cadeia de valor, começando com matérias-primas ou cartão de mineração, credencial, senha e dados pessoais. Cada fase da cadeia de valor é alimentada pela captura de bots ruins de dados todos os dias.
  • O cenário dos bots está mudando rapidamente à medida que os fraudadores procuram capitalizar a confusão, o medo e a incerteza em torno do Covid-19 e seu e-commerce imediatamente acelerado. O Covid-19 rapidamente se tornou o catalisador que as iniciativas de e-commerce e transformação digital precisavam para provar que poderiam escalar. Também levou a um aumento maciço nos ataques de bots. O gráfico a seguir explica a proporção de tentativas de login maliciosas para as legítimas usando uma curva que progride para a esquerda. Trace Fooshee, analista sênior do Aite Group, diz que o número abaixo foi a linha de base antes de Covid-19; agora, é exponencialmente maior em termos de tentativas de login maliciosas.
How To Improve Bot Detection With Machine Learning
  •  Os três passos para uma melhor detecção de bots usando IA e aprendizado de máquina incluem analisar todos os dados disponíveis na Identity Trust Global Network, usar IA e aprendizado de máquina para detectar atividades suspeitas de bots ruins e responder à ameaça em tempo real. A abordagem de Kount para usar IA e aprendizado de máquina baseia-se em ter algoritmos de aprendizagem de máquina supervisionados e não supervisionados iterativamente “aprender” padrões de fraude ao longo do tempo. A Kount conta com sua Rede Global de Confiança de Identidade para calcular os níveis de confiança da identidade em milissegundos, reduzindo o atrito, bloqueando fraudes e fornecendo melhores experiências ao usuário. A Identity Trust Global Network inclui mais de uma década de sinais de confiança e fraude construídos em indústrias, geografias e interações anuais 32B, combinados com a expertise em IA e aprendizado de máquina para transformar a confiança em um multiplicador de vendas e experiência do cliente. A seguir, o primeiro de três passos no uso do aprendizado de máquina para obter uma melhor detecção de bots:
How To Improve Bot Detection With Machine Learning
  • Combinar os pontos fortes inatos do aprendizado de máquina não supervisionado e supervisionado para fornecer uma Classificação de Segurança de Transações é o segundo passo no uso do aprendizado de máquina para impedir fraudes baseadas em bots. Reduzir a incerteza de uma determinada transação em milissegundos, leva insights baseados em aprendizado de máquina de algoritmos supervisionados e não supervisionados que fornecem dados instintivos e baseados em experienciais. A combinação de cada um com base na Rede Global de Confiança de Identidade ajuda a contribuir para uma experiência de compra mais sem atrito, menos falsos positivos e maior lealdade do cliente ao longo do tempo, porque os negócios se tornam mais fáceis de comprar. O gráfico a seguir ilustra como as classificações de segurança de transações são criadas: 
How To Improve Bot Detection With Machine Learning
  • O terceiro passo usa o resultado da IA e do aprendizado de máquina para definir a resposta mais adequada com base nos níveis de confiança personalizados para um negócio específico e seus requisitos. Das muitas empresas baseadas em IA e machine learning focadas no combate à fraude, a abordagem de Kount de definir um nível de confiança adaptável configurável por políticas individuais é única. Conhecer níveis de confiança adaptativos é especialmente útil para adaptar estratégias de venda sazonalmente, enquanto ainda se concentra em frustrar tentativas avançadas de fraude de bots.
How To Improve Bot Detection With Machine Learning

FONTE: FORBES

Previous post Porquê tapar sua webcam?
Next post O que há de novo na onda de confiança Forrester Zero 2020?

Deixe um comentário