クレジットカード詐欺を防ぐために、機械学習アルゴリズムがあなたの身元を認識します

クレジットカード詐欺のリスクは、世界中の銀行のクレジットカード部門を悩ませている問題の一つとなっています。アメリカを例にとると、連邦準備銀行の支払い調査報告書によると、2012年のアメリカのクレジットカード支払い総額は260億ドルに達し、そのうち不正なクレジットカード支払い、つまり盗難クレジットカードの額は61億ドルに達した。

銀行にとってクレジットカード取引のリスクを測定することは困難です。この目標を達成するには、どの取引が正当に承認され、どの取引が不正であるかを迅速に判断する必要があります。では、これらのタスクはどのように達成されるのでしょうか?

消費者の視点から見ると、クレジットカード詐欺を検出するプロセスは「魔法」のように思えます。この検出はほぼ瞬時に行われ、金融から経済、法律、情報科学に至るまで、一連の複雑なテクノロジーが関係しています。もちろん、クレジットカードの不正使用検出には単純なものもあり、例えば、機械がクレジットカードが通された場所の郵便番号がカード発行場所の郵便番号と一致しないことを検出すると、警告を発します。

従来のクレジットカード検出では、膨大な量のデータを分析して判断するために多くの人手が必要です。アルゴリズムは取引に対して警告を発するだけで、人間の監査人が電話をかけて、取引にクレジットカード詐欺が含まれているかどうかを確認します。現在、取引量の急増により、大手銀行のクレジットカード部門はビッグデータに依存し始めており、機械学習とクラウドコンピューティングの手法を使用して、不正なクレジットカード取引を迅速に特定しています。

クレジットカード検出に使用される機械学習アルゴリズムは、まず大量の通常の取引データとカード所有者データを使用してトレーニングされます。取引結果は、機械が取引を理解する上で重要な側面になります。たとえば、普通の人は週に 1 回電気を購入したり、2 週間に 1 回ショッピング モールに行ったりします。これらの取引結果は、通常の取引のモデルになります。

次に、マシンはリアルタイムの取引データでテストされ、取引が違法である確率（たとえば 97%）が示されます。検出システムが各取引の違法確率を 95% 以下に設定した場合、これらの取引はすべて支払いが拒否されます。つまり、取引は成功しません。

[[187071]]

このアルゴリズムでは、カード スワイプ サプライヤーの信頼性、カード挿入購入行動 (時間と空間の次元)、IP アドレスなど、多くの要素が考慮されます。考慮される要素が多いほど、構築されるモデルの精度が高まります。

検出プロセスはほぼリアルタイムで行われ、人間の作業者では達成できない検出速度です。ただし、アルゴリズムの判断の人間によるレビューや、その後のクレジットカード詐欺の追跡など、プロセス全体に人間の参加が依然として必要です。

金融取引中に生成されるデータは非常に膨大です。たとえば、PayPal は現在、1 億 690 万人のユーザーから 1.1 PB のデータを処理する必要があります。しかし、機械学習の場合、データが増えればアルゴリズムの精度が向上し、クレジットカード詐欺の事件をより正確に特定できるようになります。膨大な量のデータは銀行の IT システムのハードウェアに非常に高い負荷をかけ、データの保存、読み取り、分析には膨大な IT 費用がかかります。

現在、銀行のクレジットカード部門は、大量のデータを処理する方法としてクラウドコンピューティングを使い始めています。クラウドコンピューティングの弾力性と拡張性により、機械学習アルゴリズムの効率が向上し、ダブル11などのピーク時のクレジットカード検出に効果的に対処できます。

クレジットカード詐欺と詐欺対策の戦いは続いています。将来実現される機械学習、ビッグデータ、クラウドコンピューティング、ブロックチェーン技術の助けにより、私たちの財布とカード所有者は将来ますます安全になるでしょう。