การตรวจจับการฉ้อโกงในบริการทางการเงินมักเป็นปัญหาเกี่ยวกับการจับคู่รูปแบบเสมอมา เป็นเวลาหลายทศวรรษที่เกณฑ์แบบตายตัวและรายการที่บล็อกใช้งานได้จนกระทั่งอาชญากรหาวิธีหลบหลีกได้ ปัญญาประดิษฐ์ (AI) จะเปลี่ยนแนวทางนี้ไป แทนที่จะจับคู่ธุรกรรมกับรูปแบบที่ไม่ดีที่รู้จัก ระบบสมัยใหม่จะสร้างเส้นฐานพฤติกรรมสำหรับแต่ละบัญชีและตั้งค่าสถานะสิ่งใดก็ตามที่ไม่เข้าเกณฑ์ ซึ่งส่งผลกระทบต่อวิธีการที่จะตรวจจับการฉ้อโกงได้ ความถี่ที่จะมีการบล็อกธุรกรรมที่ถูกต้อง และปริมาณโครงสร้างพื้นฐานเบื้องหลังที่ธุรกิจต้องสร้างขึ้นเอง

ด้านล่างนี้ เราจะอธิบายว่า AI สำหรับการตรวจจับการฉ้อโกงทำงานอย่างไร มีการนำไปใช้ในขั้นตอนการชำระเงินตรงจุดใดบ้าง รวมถึงข้อควรพิจารณาด้านการปฏิบัติตามข้อกำหนดและความปลอดภัยที่มาพร้อมกับการใช้โมเดลแมชชีนเลิร์นนิง (ML) ในอุตสาหกรรมที่มีการควบคุม

ประเด็นสำคัญ

• AI ในการตรวจจับการฉ้อโกงทำงานโดยสร้างแบบจำลองพฤติกรรมปกติและตั้งค่าสถานะความผิดปกติ แทนที่จะจับคู่ธุรกรรมกับกฎที่กำหนดไว้ตายตัว

• การปฏิเสธการชำระเงินที่ผิดพลาดมีต้นทุนสูงพอๆ กับการฉ้อโกงสำหรับหลายธุรกิจ โมเดลพฤติกรรมช่วยลดปัญหาเหล่านี้ได้โดยการเพิ่มบริบทในการตัดสินใจที่ระบบซึ่งใช้กฎเกณฑ์มองว่าเป็นแบบไบนารี

• การนำ AI มาใช้ในการตรวจจับการฉ้อโกงทำให้เกิดข้อผูกพันด้านความสามารถในการอธิบายและความลำเอียงซึ่งกลไกที่ใช้กฎเกณฑ์ไม่มี ระบบที่ใช้งานจริงต้องมีทั้งโซลูชันทางเทคนิคและกระบวนการตรวจสอบอย่างต่อเนื่องเพื่อให้เป็นไปตามข้อกำหนด

เหตุใดการตรวจจับการฉ้อโกงในบริการทางการเงินจึงเปลี่ยนไป

การตรวจจับการฉ้อโกงอาศัยกฎเกณฑ์มาหลายปี หากธุรกรรมตรงกับรูปแบบที่กำหนดไว้ล่วงหน้า เกิดขึ้นบ่อยเกินไป มีมูลค่าสูงกว่าเกณฑ์ที่กำหนด หรือมาจากสถานที่ที่มีการตั้งค่าสถานะ ก็จะมีการบล็อกเพื่อตรวจสอบ ปัญหาคืออาชญากรเรียนรู้กฎเหล่านั้นและสร้างรูปแบบใหม่เพื่อหลบหลีกกฎ โดยรักษาธุรกรรมไว้ให้ต่ำกว่าขีดจำกัด กระจายการโอนไปยังบัญชีม้า และสร้างข้อมูลระบุตัวตนสังเคราะห์ที่ไม่ได้เปิดใช้งานกฎเกณฑ์ที่มีอยู่ กล่าวอีกนัยหนึ่งคือ เมื่อผู้โจมตีเข้าใจระบบแล้ว ก็จะเรียนรู้วิธีดำเนินการนอกระบบ

ในขณะเดียวกัน การชำระเงินดิจิทัลก็เติบโตอย่างรวดเร็ว ช่องทางการชำระเงินใหม่ๆ กระเป๋าเงินดิจิทัล และการค้าข้ามพรมแดนทำให้ปริมาณธุรกรรมและโอกาสในการฉ้อโกงเพิ่มขึ้นอย่างมาก ความสูญเสียจากการฉ้อโกงบัตรทั่วโลกสูงกว่า $33,800 ล้านดอลลาร์ใน 2023 พื้นที่การโจมตีเติบโตเร็วกว่าที่ระบบใช้กฎเกณฑ์จะตามทัน ในระบบที่ใช้กฎเกณฑ์ รูปแบบการฉ้อโกงใหม่แต่ละรูปแบบต้องใช้กฎใหม่ และกฎใหม่แต่ละข้อก็ต้องมีการอัปเดตระบบด้วยตนเอง ความเข้มงวดดังกล่าวทำให้เกิดปัญหาในการบำรุงรักษาอย่างต่อเนื่อง

แมชชีนเลิร์นนิง (ML) จะเข้ามาเปลี่ยนสมการนี้ไป โมเดล ML ที่ฝึกด้วยข้อมูลพฤติกรรมและธุรกรรมจะตรวจจับความผิดปกติที่ละเอียดอ่อนหรือกิจกรรมที่ไม่ตรงกับพฤติกรรมทั่วไปของลูกค้าหรือรูปแบบเครือข่ายที่กว้างขึ้นได้ ที่สำคัญที่สุดคือ โมเดลเหล่านี้จะตั้งค่าสถานะกิจกรรมที่น่าสงสัยได้แม้ว่าจะไม่ตรงกับลายเซ็นการฉ้อโกงที่รู้จักก็ตาม

AI สำหรับการตรวจจับการฉ้อโกงในด้านการเงินทำงานอย่างไร

ระบบที่ใช้กฎเกณฑ์จะถามว่าธุรกรรมตรงกับรูปแบบที่ไม่ดีที่รู้จักหรือไม่ ระบบ AI จะถามว่าธุรกรรมเข้ากับสิ่งที่คาดหวังจากบัญชีนี้ในเวลานี้หรือไม่ เมื่อพิจารณาจากทุกสิ่งที่ทราบเกี่ยวกับพฤติกรรมของลูกค้ารายนี้

นี่คือวิธีที่ AI รองรับการตรวจจับการฉ้อโกง

การสร้างแบบจำลองพฤติกรรม

แทนที่จะพึ่งพาเกณฑ์คงที่ ระบบ AI จะสร้างโปรไฟล์พื้นฐานของกิจกรรมปกติสำหรับแต่ละบัญชี โดยจะเรียนรู้รูปแบบต่างๆ เช่น หมวดหมู่ผู้ค้าปกติ ขนาดยอดธุรกรรมทั่วไป อุปกรณ์ที่คุ้นเคย หรือตำแหน่งที่ตั้ง ธุรกรรมที่ดูเหมือนปกติหากพิจารณาแยกต่างหากก็อาจมีการตั้งค่าสถานะได้หากเบี่ยงเบนไปจากเส้นฐานพฤติกรรม

การปรับเปลี่ยนอย่างต่อเนื่อง

การฉ้อโกงเปลี่ยนแปลงอย่างรวดเร็ว และกฎแบบตายตัวมักจะตามไม่ทัน ในทางตรงกันข้าม โมเดล ML จะฝึกซ้ำด้วยข้อมูลใหม่ โดยจะเรียนรู้จากทั้งการฉ้อโกงที่ยืนยันแล้วและกรณีที่พลาดไปก่อนหน้านี้ ซึ่งจะช่วยให้ระบบตรวจจับปรับเปลี่ยนได้เมื่อรูปแบบการฉ้อโกงเปลี่ยนไป

ความสามารถในการมองเห็นระดับเครือข่าย

ผู้ให้บริการชำระเงินรายใหญ่มีข้อได้เปรียบเนื่องจากจะฝึกโมเดลด้วยชุดข้อมูลขนาดใหญ่ได้ ตัวอย่างเช่น Stripe Radar จะวิเคราะห์สัญญาณหลายร้อยรายการต่อธุรกรรม (เช่น รายละเอียดของบัตร ลายนิ้วมือบนอุปกรณ์ ประวัติการซื้อ รูปแบบพฤติกรรม) และสร้างคะแนนความเสี่ยงในหน่วยมิลลิวินาที เนื่องจาก Radar เรียนรู้จากการชำระเงินของธุรกิจระดับโลกหลายล้านรายในแต่ละปี จึงกำหนดคะแนนความเสี่ยงให้กับการชำระเงินแต่ละรายการและบล็อกการชำระเงินที่มีความเสี่ยงสูงได้โดยอัตโนมัติ

การตัดสินใจแบบเรียลไทม์

การตรวจจับการฉ้อโกงต้องเกิดขึ้นภายในกรอบเวลาการอนุมัติบัตร ซึ่งโดยทั่วไปจะใช้เวลาเพียงไม่กี่มิลลิวินาที ระบบ AI ประเมินสัญญาณหลายร้อยรายการในเวลานั้นและสร้างคะแนนความเสี่ยงได้ทันที ซึ่งช่วยให้ธุรกิจอนุมัติธุรกรรม บล็อกธุรกรรม หรือเรียกใช้การตรวจสอบสิทธิ์เพิ่มเติมได้โดยไม่ทำให้ขั้นตอนการชำระเงินล่าช้าลง

เทคนิค AI ใดบ้างที่ขับเคลื่อนการตรวจจับการฉ้อโกงในด้านการเงิน

ระบบตรวจจับการฉ้อโกงแทบจะไม่พึ่งพาเทคนิค AI เพียงเทคนิคเดียว แต่จะรวมแนวทางหลายวิธีเข้าด้วยกัน ซึ่งแต่ละวิธีออกแบบมาเพื่อตรวจจับการฉ้อโกงประเภทต่างๆ

เทคนิคเหล่านี้จะทำงานเพื่อขับเคลื่อนการตรวจจับการฉ้อโกง

การเรียนรู้ภายใต้การดูแล

โมเดลแบบมีผู้สอนจะฝึกด้วยข้อมูลธุรกรรมในอดีตที่ติดป้ายกำกับว่าเป็นการฉ้อโกงหรือถูกต้อง โมเดลเหล่านี้เรียนรู้รูปแบบที่แยกความแตกต่างระหว่างสองสิ่งนี้ วิธี Gradient Boosting เช่น XGBoost ทำงานได้ดีเป็นพิเศษกับข้อมูลธุรกรรมที่มีโครงสร้างและให้คะแนนความสำคัญของฟีเจอร์ที่ตีความได้ ข้อจำกัดคือโมเดลเหล่านี้มักจะตรวจจับรูปแบบการฉ้อโกงที่คล้ายกับรูปแบบที่เคยเห็นในข้อมูลการฝึกอยู่แล้ว

การเรียนรู้ที่ไม่อยู่ภายใต้การดูแล

เทคนิคแบบไม่มีผู้ดูแลช่วยตรวจจับการฉ้อโกงที่ไม่เคยพบเห็นมาก่อน อัลกอริทึมคลัสเตอร์และตัวเข้ารหัสอัตโนมัติจะระบุธุรกรรมที่ไม่ตรงกับรูปแบบที่สร้างไว้และแสดงความผิดปกติแม้ว่าจะยังไม่มีป้ายกำกับการฉ้อโกงก็ตาม ซึ่งทำให้มีประโยชน์ในการระบุกลยุทธ์การโจมตีที่เกิดขึ้นใหม่ตั้งแต่เนิ่นๆ

การวิเคราะห์กราฟ

การฉ้อโกงมักเกิดขึ้นในรูปแบบเครือข่าย มากกว่าจะเป็นเหตุการณ์ที่แยกจากกัน ข้อมูลระบุตัวตนสังเคราะห์อาจแชร์ที่อยู่หรืออุปกรณ์ และบัญชีที่ประสานงานกันอาจโต้ตอบกับธุรกิจเดียวกันก่อนที่จะกลายเป็นผู้กระทำผิด โมเดลที่ใช้กราฟ รวมถึงโครงข่ายประสาทแบบกราฟ จะวิเคราะห์การเชื่อมโยงระหว่างเอนทิตีเพื่อเปิดเผยโครงสร้างที่ซ่อนอยู่เหล่านั้น

ข้อมูลไบโอเมตริกเชิงพฤติกรรม

นอกจากนี้บางระบบยังวิเคราะห์วิธีที่ผู้ใช้โต้ตอบกับอุปกรณ์ของตนด้วย จังหวะการพิมพ์ รูปแบบการปัด และพฤติกรรมการจัดการอุปกรณ์จะสร้างลายเซ็นพฤติกรรมที่ผู้โจมตีจะนำมาแทนที่ได้ยาก แม้จะใช้ข้อมูลรับรองที่ขโมยมาก็ตาม

โมเดลภาษาขนาดใหญ่

โมเดลภาษาขนาดใหญ่ (LLM) เริ่มนำมาใช้ในการดำเนินการเกี่ยวกับการฉ้อโกง โดยส่วนใหญ่สำหรับการวิเคราะห์ข้อมูลที่ไม่มีโครงสร้าง เช่น ตั๋วของฝ่ายสนับสนุนลูกค้า คำอธิบายการโต้แย้งการชำระเงิน หรือการสื่อสารที่มีสัญญาณซึ่งโมเดลแบบดั้งเดิมประมวลผลไม่ได้ง่ายนัก

การตรวจจับการฉ้อโกงด้วย AI นำมาใช้กับการชำระเงิน ธุรกรรม และการจัดการความเสี่ยงอย่างไร

ระบบ AI จะปรับความเข้าใจเกี่ยวกับสิ่งที่เป็นปกติอย่างต่อเนื่อง จากนั้นจึงใช้บริบทดังกล่าวเป็นข้อมูลประกอบการตัดสินใจเกี่ยวกับพฤติกรรมการชำระเงินของลูกค้า ต่อไปนี้คือส่วนที่มีการนำการตรวจจับการฉ้อโกงด้วย AI ไปใช้ตลอดกิจกรรมทางการเงินประเภทต่างๆ

การอนุมัติธุรกรรมแบบเรียลไทม์

เครือข่ายบัตรและผู้ให้บริการชำระเงินมีเวลาเพียงเสี้ยววินาทีในการตัดสินใจว่าจะอนุมัติธุรกรรมหรือไม่ โมเดลต่างๆ ต้องรักษาสมดุลระหว่างความเร็วและความแม่นยำ Stripe Radar จะทำการวิเคราะห์สัญญาณอย่างเต็มรูปแบบภายในช่วงเวลาการอนุมัติ และแสดงคะแนนความเสี่ยงซึ่งอาจทริกเกอร์การตรวจสอบสิทธิ์แบบ 3D Secure (3DS) บล็อกธุรกรรมโดยสมบูรณ์ หรืออนุญาตให้ทำธุรกรรม ทั้งนี้ขึ้นอยู่กับกฎที่ธุรกิจกำหนดค่าไว้

การตรวจสอบหลังทำธุรกรรม

การฉ้อโกงบางประเภทจะเห็นได้เมื่อมีการทำหลายธุรกรรมเท่านั้น ซึ่งเป็นจุดที่มักจะพบการตรวจจับการเข้ายึดบัญชี การฉ้อโกงโดยบุคคลที่หนึ่ง และรูปแบบการทำหลายธุรกรรม ธนาคารและผู้ให้บริการชำระเงินจะวิเคราะห์แบบเป็นชุดเพื่อตรวจจับการเข้ายึดบัญชีหรือการฉ้อโกงแบบหลอกให้ส่งการชำระเงินที่ผู้ใช้อนุมัติเอง (APP) สถานการณ์เหล่านี้อาจดูเหมือนถูกต้องในระดับธุรกรรมแต่ละรายการ แต่จะเผยให้เห็นพฤติกรรมที่น่าสงสัยเมื่อเวลาผ่านไป

กระบวนการเริ่มต้นใช้งานและการยืนยันตัวตน

นอกจากนี้ยังมีการนำ AI มาใช้ในช่วงเริ่มต้นของวงจรการใช้งานของลูกค้าด้วย ระบบยืนยันเอกสารจะวิเคราะห์เอกสารยืนยันตัวตน ตรวจสอบความเป็นบุคคลระหว่างการยืนยันตัวตน และตรวจสอบข้อมูลอุปกรณ์และพฤติกรรมแบบไขว้เพื่อตรวจจับข้อมูลประจำตัวปลอมก่อนที่จะเปิดบัญชี

การจัดการความเสี่ยงของพอร์ตโฟลิโอ

AI จะป้อนข้อมูลประกอบการตัดสินใจด้านสินเชื่อ การตรวจสอบอัตราความเร็วทั่วทั้งพอร์ตโฟลิโอบัญชี และการคำนวณความเสี่ยงแบบเรียลไทม์ ธุรกิจที่ทำการประเมินและควบคุมความเสี่ยงสำหรับข้อกำหนดการชำระเงินภายใน 30 วันอาจใช้โมเดล ML เพื่อประเมินว่าพฤติกรรมการชำระเงินของลูกค้าใหม่นั้นคล้ายกับบัญชีที่ผิดนัดชำระในภายหลังหรือไม่

การตรวจจับการฉ้อโกงด้วย AI ในด้านการเงินส่งผลต่อประสบการณ์ของลูกค้าอย่างไร

การตรวจสอบการฉ้อโกงทุกครั้งมีโอกาสทำให้ลูกค้าที่ถูกต้องสะดุดได้ การหยุดยั้งผู้ไม่ประสงค์ดีโดยไม่ทำให้ลูกค้าที่ดีล่าช้าลงเป็นหนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดในการชำระเงิน ระบบที่ใช้กฎเกณฑ์แบบเก่ามีแนวโน้มที่จะเกิดผลบวกเท็จ ลูกค้าที่เดินทางไปต่างประเทศ ซื้อของที่ธุรกิจใหม่ หรือซื้อสินค้ายอดเงินสูงผิดปกติ มักจะพบว่ามีการปฏิเสธการชำระเงินสำหรับธุรกรรมนั้น

โมเดล AI ประเมินบริบทของธุรกรรมได้มากกว่าแค่ดูลักษณะของธุรกรรม การซื้ออุปกรณ์กลางแจ้งมูลค่า 600 ยูโรในโปรตุเกสจากลูกค้าชาวอเมริกันอาจดูน่าสงสัยสำหรับระบบกฎเกณฑ์แบบตายตัว แต่โมเดลพฤติกรรมที่รู้ว่าลูกค้าเดินทางบ่อยและซื้อของกับผู้ค้าปลีกอุปกรณ์กลางแจ้งอาจอนุมัติอย่างมั่นใจ แทนที่จะใช้ขั้นตอนการตรวจสอบยืนยันแบบเดียวกันกับทุกธุรกรรม ระบบการฉ้อโกงสมัยใหม่จะนำมาใช้เมื่อคะแนนความเสี่ยงรับประกันเท่านั้น Stripe Radar จะเลือกทริกเกอร์ 3DS และขอการตรวจสอบสิทธิ์เพิ่มเติมสำหรับธุรกรรมที่มีคะแนนความเสี่ยงเกินขีดจำกัดความเสี่ยงที่กำหนดไว้ได้ ซึ่งจะทำให้ธุรกรรมที่มีความเสี่ยงต่ำดำเนินการได้โดยไม่สะดุด

แต่ระบบ AI ไม่ได้ไร้ข้อผิดพลาด โมเดลที่ฝึกด้วยข้อมูลในอดีตอาจพลาดกลยุทธ์การโจมตีใหม่ๆ ในช่วงแรก จนกว่าจะมีตัวอย่างเพียงพอสำหรับการฝึกซ้ำ ด้วยเหตุนี้ นักวิเคราะห์การฉ้อโกงที่เป็นมนุษย์และเวิร์กโฟลว์การตรวจสอบด้วยตนเองจึงยังคงเป็นกุญแจสำคัญในการตรวจสอบกรณีที่อยู่บริเวณขอบเขตและรูปแบบการฉ้อโกงใหม่ๆ

การตรวจจับการฉ้อโกงที่ขับเคลื่อนด้วย AI มีความหมายต่อความปลอดภัยและการปฏิบัติตามข้อกำหนดในด้านการเงินอย่างไร

การนำ AI มาใช้ในการตรวจจับการฉ้อโกงทำให้เกิดข้อควรพิจารณาด้านการปฏิบัติตามข้อกำหนดที่แตกต่างออกไป สิ่งสำคัญคือต้องพิจารณาสิ่งต่อไปนี้ก่อนนำไปใช้งาน

ความสามารถในการอธิบาย

สถาบันการเงินต้องอธิบายได้ว่าเหตุใดจึงมีการบล็อกหรือตั้งค่าสถานะธุรกรรม ระบบที่ใช้งานจริงหลายระบบจัดการปัญหานี้ด้วยวิธีการที่ช่วยให้ตีความได้ เช่น SHapley Additive exPlanations (SHAP) ซึ่งจะแจกแจงผลลัพธ์ของโมเดลออกเป็นส่วนสนับสนุนของฟีเจอร์แต่ละรายการ แม้ว่าโมเดลเบื้องหลังจะซับซ้อน แต่ผู้ตรวจสอบก็ยังเห็นสัญญาณที่มีอิทธิพลต่อการตัดสินใจได้

ความเสี่ยงจากความลำเอียง

โมเดล ML จะเรียนรู้จากข้อมูลในอดีต รวมถึงความลำเอียงใดๆ ที่มีอยู่ในข้อมูลนั้น หากในอดีตมีการตั้งค่าสถานะภูมิศาสตร์ ประเภทธุรกิจ หรือกลุ่มประชากรลูกค้าบางกลุ่มในสัดส่วนที่ไม่สมดุล โมเดลก็อาจจำลองรูปแบบเหล่านั้นได้ การตรวจสอบอัตราผลบวกเท็จและผลลบเท็จในกลุ่มต่างๆ เป็นประจำถือเป็นการป้องกันเพื่อรักษาคุณภาพของโมเดล

แรงกดดันจากศัตรู

ผู้ไม่ประสงค์ดีจะตรวจสอบระบบตรวจจับ หากผู้ไม่ประสงค์ดีระบุฟีเจอร์ที่โมเดลให้น้ำหนักมาก ก็อาจพยายามสร้างธุรกรรมที่ดูเหมือนมีความเสี่ยงต่ำ การป้องกันจะรวมถึงชุดโมเดล การทำให้ฟีเจอร์ซับซ้อน และการติดตามการเปลี่ยนแปลงที่ผิดปกติในข้อมูลอินพุตซึ่งบ่งชี้ถึงความพยายามในการตรวจสอบหรือหลบหลีก

การแบ่งความรับผิดชอบ

ธุรกิจที่ใช้ Stripe จะพบว่าโครงสร้างพื้นฐานส่วนใหญ่นี้ทำงานอยู่เบื้องหลัง Stripe จะจัดการการบำรุงรักษา การฝึกซ้ำ และความปลอดภัยของโครงสร้างพื้นฐานการตรวจจับโมเดลเอง ธุรกิจต่างๆ จะควบคุมระดับการกำหนดค่า ไม่ว่าจะเป็นการตั้งค่ากฎ Radar ที่กำหนดเอง การปรับเกณฑ์ความเสี่ยง หรือการตัดสินใจว่าจะเรียกใช้การตรวจสอบสิทธิ์เพิ่มเติมเมื่อใด

การสร้างและบำรุงรักษาโมเดลใช้ทรัพยากรจำนวนมาก ซึ่งเป็นเหตุผลว่าทำไมหลายบริษัทจึงพึ่งพาเครื่องมืออย่าง Stripe Radar ที่มีระบบตรวจจับการฉ้อโกงที่เป็นที่ยอมรับ

Stripe Radar ช่วยอะไรได้บ้าง

Stripe Radar ใช้โมเดล AI ในการตรวจจับและป้องกันการฉ้อโกง โดยฝึกด้วยข้อมูลจากเครือข่ายทั่วโลกของ Stripe ระบบจะอัปเดตโมเดลเหล่านี้อย่างต่อเนื่องตามแนวโน้มการฉ้อโกงล่าสุด เพื่อปกป้องธุรกิจเมื่อการฉ้อโกงพัฒนา

Stripe ยังมี Radar for Fraud Teams ซึ่งช่วยให้ผู้ใช้เพิ่มกฎที่กำหนดเองเพื่อจัดการกับสถานการณ์การฉ้อโกงเฉพาะสำหรับธุรกิจของตนและเข้าถึงข้อมูลเชิงลึกเกี่ยวกับการฉ้อโกงที่ล้ำสมัย

Radar ช่วยธุรกิจได้ดังนี้

• ป้องกันการสูญเสียจากการฉ้อโกง: Stripe ดำเนินการชำระเงินมูลค่ากว่า 1.9 ล้านล้านดอลลาร์สหรัฐต่อปี สเกลนี้ทำให้ Radar ช่วยตรวจจับและป้องกันการฉ้อโกงได้อย่างมีเอกลักษณ์เฉพาะตัว ซึ่งจะช่วยประหยัดเงินได้

• เพิ่มรายรับ: โมเดล AI ของ Radar ฝึกด้วยข้อมูลการโต้แย้งการชำระเงินที่เกิดขึ้นจริง ข้อมูลลูกค้า ข้อมูลการเรียกดู และอื่นๆ ซึ่งทำให้ Radar ค้นหาธุรกรรมที่มีความเสี่ยงและลดผลบวกเท็จได้ ซึ่งส่งผลให้คุณมีรายรับเพิ่มขึ้น

• ประหยัดเวลา: Stripe มี Radar ในตัวและไม่ต้องใช้โค้ดในการตั้งค่า คุณยังติดตามตรวจสอบประสิทธิภาพในการจัดการการฉ้อโกง เขียนกฎ และอื่นๆ อีกมากมายได้ในแพลตฟอร์มเดียว ซึ่งจะช่วยเพิ่มประสิทธิภาพ

ดูข้อมูลเพิ่มเติมเกี่ยวกับ Stripe Radar หรือเริ่มใช้งานเลยวันนี้