Fraudedetectie bij financiële diensten was altijd een kwestie van patronen matchen. Tientallen jaren werkten statische drempels en blokkeerlijsten, totdat criminelen ze doorhadden. Kunstmatige intelligentie (AI) verandert deze aanpak. In plaats van transacties te matchen met bekende slechte patronen, bouwen moderne systemen een gedragsbasislijn voor elk account en markeren ze alles wat daar niet bij past. Dat heeft gevolgen voor hoe fraude wordt gedetecteerd, hoe vaak legitieme transacties worden geblokkeerd en hoeveel van de onderliggende infrastructuur ondernemingen zelf moeten bouwen.

Hieronder bespreken we hoe AI voor fraudedetectie werkt, waar dit in het betaalproces wordt toegepast en de compliance- en beveiligingsoverwegingen die gepaard gaan met het inzetten van machine-learning-modellen (ML-modellen) in een gereguleerde branche.

Hoogtepunten

• AI-fraudedetectie werkt door normaal gedrag te modelleren en afwijkingen te markeren, in plaats van transacties te matchen met vaste regels.

• Onterechte weigeringen zijn voor veel ondernemingen even kostbaar als de fraude zelf. Gedragsmodellen verminderen deze door context toe te voegen aan beslissingen die op regels gebaseerde systemen als binair behandelen.

• De inzet van AI voor fraudedetectie introduceert verplichtingen op het gebied van uitlegbaarheid en bias die op regels gebaseerde systemen niet hebben. Productiesystemen hebben zowel technische oplossingen als doorlopende auditprocessen nodig om aan de regels te blijven voldoen.

Waarom verandert fraudedetectie in financiële diensten?

Fraudedetectie heeft jarenlang vertrouwd op regels. Als een transactie overeenkwam met een vooraf gedefinieerd patroon, te vaak voorkwam, boven een bepaalde waarde lag of afkomstig was van een gemarkeerde locatie, werd deze geblokkeerd voor beoordeling. Het probleem hiermee was dat criminelen deze regels leerden kennen en er omheen werkten. Ze hielden transacties net onder drempellimieten, fragmenteerden overschrijvingen over ezelaccounts en creëerden synthetische identiteiten die geen bestaande regels activeerden. Met andere woorden, zodra aanvallers het systeem begrepen, leerden ze hoe ze er net buiten konden opereren.

Tegelijkertijd zijn digitale betalingen enorm toegenomen. Nieuwe betaalkanalen, digitale wallets en grensoverschrijdende handel hebben het transactievolume en de kansen op fraude aanzienlijk vergroot. Wereldwijde verliezen door fraude met betaalkaarten bedroegen meer dan $ 33,8 miljard in 2023. Het aanvalsoppervlak groeide veel sneller dan op regels gebaseerde systemen konden bijhouden. In een op regels gebaseerd systeem vereist elk nieuw fraudepatroon een nieuwe regel, en elke nieuwe regel vereist handmatige bijwerking van het systeem. Die starheid creëert een doorlopend onderhoudsprobleem.

Machine-learning (ML) verandert de vergelijking. ML-modellen die zijn getraind op gedrags- en transactiegegevens kunnen subtiele afwijkingen detecteren of activiteiten die niet overeenkomen met het typische gedrag van een klant of bredere netwerkpatronen. Het belangrijkste is dat ze verdachte activiteiten kunnen markeren, zelfs als deze niet overeenkomen met een bekende fraudesignatuur.

Hoe werkt AI voor fraudedetectie in de financiële sector?

Op regels gebaseerde systemen vragen of een transactie overeenkomt met een bekend slecht patroon. AI-systemen vragen of een transactie past bij wat je van dit account zou verwachten, op dit moment, gezien alles wat bekend is over hoe deze klant zich gedraagt.

Hier volgt hoe AI fraudedetectie ondersteunt.

Gedragsmodellering

In plaats van te vertrouwen op vaste drempels, bouwen AI-systemen basisprofielen van normale activiteit op voor elk account. Ze leren patronen zoals gebruikelijke verkoperscategorieën, typische transactiegroottes, bekende apparaten of locaties. Een transactie die geïsoleerd normaal lijkt, kan toch worden gemarkeerd als deze afwijkt van de gedragsbasislijn.

Constante aanpassing

Fraude verandert snel en statische regels hebben vaak moeite om bij te blijven. ML-modellen trainen daarentegen opnieuw met nieuwe gegevens. Ze leren van zowel bevestigde fraude als eerder gemiste gevallen, waardoor detectiesystemen zich kunnen aanpassen naarmate fraudepatronen verschuiven.

Zichtbaarheid op netwerkniveau

Grote betalingsproviders hebben een voordeel omdat ze modellen kunnen trainen op grote datasets. Stripe Radar analyseert bijvoorbeeld honderden signalen per transactie (zoals kaartgegevens, de fingerprint van het apparaat, de aankoopgeschiedenis, gedragspatronen) en produceert in milliseconden een risicoscore. Omdat Radar leert van de betalingen van miljoenen wereldwijde ondernemingen per jaar, kan het aan elke betaling een risicoscore toewijzen en automatisch risicovolle betalingen blokkeren.

Realtime beslissingen

Fraudedetectie moet plaatsvinden binnen het autorisatievenster van de betaalkaart, meestal slechts een paar milliseconden. AI-systemen kunnen in die tijd honderden signalen evalueren en direct een risicoscore genereren, waardoor de onderneming de transactie kan goedkeuren, blokkeren of extra authenticatie kan activeren zonder het betaalproces te vertragen.

Welke AI-technieken drijven fraudedetectie in de financiële sector aan?

Fraudedetectiesystemen vertrouwen zelden op één AI-techniek. In plaats daarvan combineren ze meerdere benaderingen, elk ontworpen om verschillende soorten fraude te detecteren.

Deze technieken doen het werk om fraudedetectie aan te drijven.

Leren onder toezicht

Gesuperviseerde modellen worden getraind op historische transactiegegevens die als frauduleus of legitiem zijn gelabeld. Deze modellen leren patronen die de twee onderscheiden. Gradient-boosting-methoden zoals XGBoost presteren bijzonder goed op gestructureerde transactiegegevens en bieden interpreteerbare functiebelangscores. Hun beperking is dat ze voornamelijk fraudepatronen detecteren die lijken op de patronen die al in de trainingsgegevens zijn gezien.

Leren zonder toezicht

Ongesuperviseerde technieken helpen bij het detecteren van voorheen ongeziene fraude. Clusteringalgoritmen en autoencoders identificeren transacties die niet in gevestigde patronen passen en brengen anomalieën aan het licht, zelfs als er nog geen fraudelabel bestaat. Dit maakt ze nuttig voor het vroegtijdig identificeren van opkomende aanvalsstrategieën.

Grafiekanalyse

Fraude komt vaak voor in netwerken, in plaats van in geïsoleerde gebeurtenissen. Synthetische identiteiten kunnen adressen of apparaten delen, en gecoördineerde accounts kunnen met dezelfde ondernemingen communiceren voordat ze in gebreke blijven. Op grafieken gebaseerde modellen, waaronder grafiek-neurale netwerken, analyseren verbanden tussen entiteiten om die verborgen structuren bloot te leggen.

Gedragsbiometrie

Sommige systemen analyseren ook hoe gebruikers omgaan met hun apparaten. Typritme, veegpatronen en gedrag bij het gebruik van apparaten creëren een gedragssignatuur die voor een aanvaller moeilijk te vervangen is, zelfs met gestolen inloggegevens.

Grote taalmodellen

Grote taalmodellen (LLM's) beginnen te verschijnen in fraudebestrijding, voornamelijk voor het analyseren van ongestructureerde gegevens zoals supporttickets, chargeback-uitleg of communicatie die signalen bevat die traditionele modellen niet gemakkelijk kunnen verwerken.

Hoe is AI-fraudedetectie van toepassing op betalingen, transacties en risicobeheer?

AI-systemen verfijnen voortdurend hun begrip van wat normaal is en gebruiken die context vervolgens om beslissingen over het betaalgedrag van de klant te onderbouwen. Hier zie je waar AI-fraudedetectie wordt ingezet bij verschillende soorten financiële activiteiten.

Realtime transacties autoriseren

Kaartnetwerken en betaalproviders hebben milliseconden de tijd om te beslissen of ze een transactie goedkeuren. Modellen moeten een balans vinden tussen snelheid en precisie. Stripe Radar voert een volledige signaalanalyse uit binnen het autorisatievenster en levert een risicoscore op die 3D Secure (3DS)-authenticatie kan activeren, een transactie volledig kan blokkeren of deze kan toestaan, afhankelijk van regels die de onderneming heeft geconfigureerd.

Monitoren na een transactie

Sommige soorten fraude worden pas zichtbaar over meerdere transacties heen. Hier komen detectie van account-overname, first-party fraude en patronen van meerdere transacties vaak aan het licht. Banken en betaalproviders voeren batchanalyses uit om overnames of geautoriseerde push-betalingsfraude (APP) te detecteren. Dit zijn scenario's die op het niveau van een individuele transactie misschien legitiem lijken, maar na verloop van tijd verdacht gedrag vertonen.

Onboarden en identiteit verifiëren

AI wordt ook eerder in de levenscyclus van de klant gebruikt. Documentverificatiesystemen analyseren identificatiedocumenten, voeren liveness-checks uit tijdens identiteitsverificatie en vergelijken apparaat- en gedragssignalen om synthetische identiteiten te detecteren voordat accounts worden geopend.

Portfoliorisico's beheren

AI levert input voor kredietbeslissingen, snelheidscontroles in accountportfolio's en realtime berekeningen van de blootstelling. Een onderneming die de risico-evaluatie voor betaalvoorwaarden van 30 dagen netto uitvoert, kan ML-modellen gebruiken om te beoordelen of het betaalgedrag van een nieuwe klant lijkt op accounts die later in gebreke bleven.

Welke invloed heeft AI-fraudedetectie in de financiële sector op de klantervaring?

Elke controle op fraude kan een legitieme klant hinderen. Het is een van de grootste uitdagingen in het betalingsverkeer om kwaadwillenden tegen te houden zonder de goeden af te remmen. Oudere, op regels gebaseerde systemen waren gevoelig voor fout-positieven: bij klanten die naar het buitenland reisden, bij een nieuwe onderneming winkelden of een ongewoon grote aankoop deden, werden transacties vaak geweigerd.

AI-modellen kunnen de context van een transactie evalueren in plaats van alleen de kenmerken. Een aankoop van € 600,00 voor outdoorartikelen in Portugal door een Amerikaanse klant kan verdacht lijken voor statische regelsystemen, maar een gedragsmodel dat weet dat de klant vaak reist en winkelt bij outdoorwinkels, kan deze met een gerust hart goedkeuren. In plaats van dezelfde verificatiestap op elke transactie toe te passen, passen moderne fraudesystemen deze alleen toe als de risicoscore dit rechtvaardigt. Stripe Radar kan selectief 3DS activeren en om extra authenticatie vragen voor transacties die boven een bepaalde risicodrempel scoren. Hierdoor worden transacties met een laag risico niet onderbroken.

Maar AI-systemen zijn niet onfeilbaar. Modellen die op historische gegevens zijn getraind, missen in eerste instantie mogelijk nieuwe aanvalsstrategieën totdat er genoeg voorbeelden beschikbaar zijn om te hertrainen. Met dat in het achterhoofd blijven menselijke fraudeanalisten en workflows voor handmatige controle essentieel voor het onderzoeken van randgevallen en opkomende fraudepatronen.

Wat betekent AI-gestuurde fraudedetectie voor beveiliging en compliance in de financiële sector?

Het implementeren van AI in fraudedetectie introduceert een andere reeks compliance-overwegingen. Het is belangrijk om de volgende overwegingen in overweging te nemen voorafgaand aan de implementatie.

Uitlegbaarheid

Financiële instellingen moeten kunnen uitleggen waarom een transactie is geblokkeerd of gemarkeerd. Veel productiesystemen pakken dit aan met interpreteerbaarheidsmethoden zoals SHapley Additive exPlanations (SHAP), die de output van een model opsplitsen in de bijdrage van individuele kenmerken. Zelfs als het onderliggende model complex is, kunnen onderzoekers nog steeds de signalen zien die de beslissing hebben beïnvloed.

Biasrisico

ML-modellen leren van historische gegevens, waaronder eventuele vooroordelen in die gegevens. Als bepaalde geografische gebieden, bedrijfstypes of demografische klantgegevens in het verleden onevenredig vaak werden gemarkeerd, kunnen modellen deze patronen reproduceren. Regelmatige audits van fout-positieve en fout-negatieve percentages in verschillende groepen vormen een waarborg voor de kwaliteit van modellen.

Vijandige druk

Frauduleuze actoren testen detectiesystemen. Als een frauduleuze actor kenmerken identificeert die sterk door een model worden gewogen, kan hij proberen transacties te ontwikkelen die een laag risico lijken te hebben. Verdedigingsmechanismen omvatten modelensembles, obfuscatie van kenmerken en monitoring op ongebruikelijke verschuivingen in invoergegevens die wijzen op pogingen tot testen of ontwijken.

Verdeling van verantwoordelijkheden

Elke onderneming die Stripe gebruikt, zal merken dat een groot deel van deze infrastructuur zich onder de oppervlakte bevindt. Stripe zorgt voor het onderhoud van modellen, hertraining en de beveiliging van de detectie-infrastructuur zelf. Ondernemingen beheren de configuratielaag, of dat nu het instellen van aangepaste Radar-regels is, het aanpassen van risicodrempels of beslissen wanneer extra authenticatie moet worden geactiveerd.

Het bouwen en onderhouden van modellen is tijdrovend. Daarom vertrouwen veel ondernemingen op tools zoals Stripe Radar die beschikken over gevestigde systemen voor fraudedetectie.

Hoe Stripe Radar kan helpen

Stripe Radar gebruikt AI-modellen om fraude op te sporen en te voorkomen, getraind op basis van gegevens uit het wereldwijde netwerk van Stripe. Het werkt deze modellen steeds bij op basis van de nieuwste fraudetrends, zodat je onderneming beschermd blijft terwijl fraude zich ontwikkelt.

Stripe biedt ook Radar for Fraud Teams, waarmee gebruikers regels op maat kunnen toevoegen voor specifieke fraude scenario's voor hun bedrijf en toegang krijgen tot geavanceerde fraude- inzichten.

Radar kan je onderneming helpen met:

• Fraudeverliezen voorkomen: Stripe verwerkt jaarlijks voor meer dan $ 1,9 biljoen aan betalingen. Door deze schaal is Radar bij uitstek geschikt om fraude te helpen opsporen en voorkomen, waardoor je geld bespaart.

• Omzet verhogen: de AI-modellen van Radar zijn getraind op basis van echte chargebackgegevens, klantinformatie, browsegegevens en meer. Hierdoor kan Radar risicovolle transacties identificeren en valse positieven verminderen, waardoor je omzet stijgt.

• Tijd besparen: Radar is ingebouwd in Stripe en hoeft niet te worden geconfigureerd. Je kunt ook je frauderesultaten monitoren, regels opstellen en meer op één platform, waardoor de efficiëntie toeneemt.

Lees meer over Stripe Radar of ga vandaag nog aan de slag.