การสูญเสียเงินจากการฉ้อโกงในการชําระเงินออนไลน์ทั่วโลกในปี 2022 สูงถึง $4.1 หมื่นล้าน โดยคาดการณ์ว่าตัวเลขจะเพิ่มถึง $4.8 หมื่นล้านภายในสิ้นปี 2023 การต่อสู้กับการฉ้อโกงในการชําระเงิน รวมทั้งการลดความเสียหายทางการเงินและชื่อเสียงได้กลายเป็นสิ่งที่มีความสําคัญสูงสุดสําหรับธุรกิจ นอกเหนือจากการสูญเสียทางการเงินโดยตรงจากการฉ้อโกงการชำระเงินแล้ว ธุรกิจต่างๆ ยังต้องเผชิญกับการสูญเสียความไว้วางใจและความภักดีของลูกค้าอีกด้วย รวมทั้งยังถูกตรวจสอบอย่างเข้มงวดมากขึ้นจากหน่วยงานกำกับดูแลและหน่วยงานบังคับใช้กฎหมาย องค์กรต่างๆ จึงหันมาใช้แมชชีนเลิร์นนิงเพื่อต่อสู้กับภัยคุกคามที่กําลังเติบโตนี้
แมชชีนเลิร์นนิงซึ่งเป็นสาขาย่อยของปัญญาประดิษฐ์ (AI) มอบโซลูชันอันทรงพลังและปรับตัวได้เพื่อจัดการกับธรรมชาติของการฉ้อโกงการชำระเงินที่ซับซ้อนและเปลี่ยนแปลงอยู่ตลอดเวลา การใช้ชุดข้อมูลขนาดใหญ่และอัลกอริทึมขั้นสูงทำให้แมชชีนเลิร์นนิงสามารถระบุรูปแบบและความผิดปกติที่บ่งชี้ถึงพฤติกรรมการฉ้อโกง ส่งผลให้ธุรกิจต่างๆ สามารถตรวจจับและป้องกันการฉ้อโกงได้แบบเรียลไทม์ ดังนั้น แมชชีนเลิร์นนิงจึงช่วยธุรกิจในการรักษาสภาพแวดล้อมการชําระเงินที่ปลอดภัยเพื่อปกป้องลูกค้า รายรับ และชื่อเสียงของตน
เราจะกล่าวถึงประโยชน์ของแมชชีนเลิร์นนิงสําหรับการป้องกันการฉ้อโกงและวิธีที่ธุรกิจต่างๆ สามารถใช้เครื่องมือนี้ในสถานการณ์การชําระเงินแบบต่างๆ
บทความนี้ให้ข้อมูลอะไรบ้าง
- แมชชีนเลิร์นนิงคืออะไร
- มีการนำแมชชีนเลิร์นนิงมาใช้ในการป้องกันและการตรวจจับการฉ้อโกงอย่างไรบ้าง
- ใบรับรองการป้องกันการฉ้อโกงโดยแมชชีนเลิร์นนิง
- ตัวอย่างของแมชชีนเลิร์นนิงเพื่อตรวจจับการฉ้อโกง
แมชชีนเลิร์นนิงคืออะไร
แมชชีนเลิร์นนิงคือส่วนย่อยของ AI ที่เน้นการพัฒนาอัลกอริทึมและโมเดลที่ช่วยให้คอมพิวเตอร์สามารถเรียนรู้จากข้อมูล ระบุรูปแบบจากข้อมูล และทําการตัดสินใจโดยอิงตามสิ่งที่เรียนรู้
แมชชีนเลิร์นนิงแบ่งออกเป็น 3 ประเภทหลักๆ ดังนี้
การเรียนรู้ภายใต้การดูแล
การเรียนรู้ภายใต้การดูแลคือแมชชีนเลิร์นนิงประเภทหนึ่งที่มีการสอนคอมพิวเตอร์ให้ทําการคาดการณ์หรือตัดสินใจโดยอิงตามตัวอย่าง ซึ่งจะคล้ายกับนักเรียนที่กำลังเรียนกับครู โดยครูจะให้โจทย์ปัญหาชุดหนึ่งกับนักเรียนพร้อมคำตอบที่ถูกต้องสำหรับโจทย์เหล่านั้น และนักเรียนก็จะศึกษาตัวอย่างเหล่านี้ แล้วเรียนรู้เพื่อจดจำรูปแบบต่างๆ เมื่อนักเรียนเผชิญกับปัญหาใหม่ ก็สามารถใช้ความรู้เดิมของตนเพื่อค้นหาคำตอบที่ถูกต้องได้
ในการเรียนรู้ภายใต้การดูแล อัลกอริทึมคอมพิวเตอร์จะได้รับชุดข้อมูลที่มีทั้งอินพุต (ปัญหา) และเอาต์พุต (คําตอบ) ที่ถูกต้อง อัลกอริทึมจะศึกษาชุดข้อมูลนี้และเรียนรู้ความสัมพันธ์ระหว่างอินพุตและเอาต์พุต ในที่สุดอัลกอริทึมก็สามารถทําการคาดการณ์หรือการตัดสินใจสําหรับข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน
การเรียนรู้ที่ไม่อยู่ภายใต้การดูแล
การเรียนรู้ที่ไม่อยู่ภายใต้การดูแลคือแมชชีนเลิร์นนิงประเภทหนึ่งที่คอมพิวเตอร์เรียนรู้เพื่อระบุรูปแบบหรือโครงสร้างของข้อมูลโดยไม่ได้รับตัวอย่างเฉพาะใดๆ หรือคําตอบที่ถูกต้อง ซึ่งคล้ายกับวิธีที่นักสืบพยายามแก้ไขปัญหาโดยไม่มีเบาะแสเบื้องต้น จึงต้องค้นหาคำใบ้และความเชื่อมโยงในข้อมูลที่มีอยู่ เพื่อหารูปแบบหรือความสัมพันธ์ที่ซ่อนอยู่ ในการเรียนรู้ที่ไม่อยู่ภายใต้การดูแล อัลกอริทึมคอมพิวเตอร์จะได้รับชุดข้อมูลที่มีข้อมูลอินพุตเท่านั้นโดยไม่มีเอาต์พุต (คําตอบ) ที่ถูกต้องที่สอดคล้องกัน งานของอัลกอริทึมคือการวิเคราะห์ข้อมูลนี้และค้นหารูปแบบพื้นฐาน
การเรียนรู้แบบเสริมแรง
การเรียนรู้แบบเสริมแรงคือแมชชีนเลิร์นนิงประเภทหนึ่งที่คอมพิวเตอร์เรียนรู้วิธีการตัดสินใจ โดยการโต้ตอบกับสภาพแวดล้อมและรับความคิดเห็นในรูปแบบของรางวัลหรือบทลงโทษ ซึ่งคล้ายกับการฝึกสุนัขให้ทำท่าทางต่างๆ เมื่อสุนัขทําตามคำสั่งอย่างถูกต้อง คุณก็จะให้ขนม (รางวัล) และเมื่อสุนัขไม่ทำตาม คุณก็จะทำการปรับแก้ไข (บทลงโทษ) เมื่อเวลาผ่านไป สุนัขได้เรียนรู้ที่จะทำท่าทางอย่างถูกต้องเพื่อให้ได้ขนมมากขึ้น
ในการเรียนรู้แบบเสริมแรง อัลกอริทึมคอมพิวเตอร์ ซึ่งมักถูกเรียกว่าตัวแทน จะสํารวจสภาพแวดล้อมและทำการตัดสินใจ สําหรับการตัดสินใจแต่ละครั้ง อัลกอริทึมจะได้รับคําติชมเป็นรางวัลหรือบทลงโทษ เป้าหมายของอัลกอริทึมคือการเรียนรู้กลยุทธ์ที่ดีที่สุด หรือนโยบายเพื่อทำการตัดสินใจที่มอบรางวัลให้มากที่สุดเมื่อเวลาผ่านไป โดยวิธีนี้จะดําเนินการผ่านการทดลองและข้อผิดพลาด โดยปรับตัวและปรับปรุงกลยุทธ์ตามคําติชม
เทคนิคแมชชีนเลิร์นนิงถูกนำมาใช้ในสถานการณ์ต่างๆ มากมาย รวมถึงการประมวลผลภาษาธรรมชาติ การจดจำภาพและเสียง การวินิจฉัยทางการแพทย์ การวิเคราะห์ทางการเงิน และรถยนต์ไร้คนขับ
มีการนำแมชชีนเลิร์นนิงมาใช้ในการป้องกันและการตรวจจับการฉ้อโกงอย่างไรบ้าง
มีการใช้แมชชีนเลิร์นนิงในการป้องกันและการตรวจจับการฉ้อโกงมากขึ้นเรื่อยๆ เนื่องจากสามารถวิเคราะห์ข้อมูลปริมาณมาก ระบุรูปแบบต่างๆ และปรับตามข้อมูลใหม่ๆ ได้ การใช้งานแมชชีนเลิร์นนิงในการป้องกันการฉ้อโกงที่พบได้บ่อยมีดังนี้
การตรวจจับความผิดปกติ
อัลกอริทึมของแมชชีนเลิร์นนิงสามารถระบุรูปแบบหรือค่าเบี่ยงเบนที่ผิดปกติจากพฤติกรรมตามปกติในข้อมูลการทําธุรกรรม อัลกอริทึมจะ "ฝึกอบรม" โดยใช้ข้อมูลในอดีต จากนั้นก็เรียนรู้ที่จะจดจําธุรกรรมที่ถูกต้องและรายงานกิจกรรมที่น่าสงสัยที่อาจบ่งบอกถึงการฉ้อโกงการให้คะแนนความเสี่ยง
โมเดลแมชชีนเลิร์นนิงสามารถกําหนดคะแนนความเสี่ยงให้กับธุรกรรมหรือบัญชีผู้ใช้ตามปัจจัยต่างๆ เช่น ยอดธุรกรรม ตำแหน่งที่ตั้ง ความถี่ และพฤติกรรมในอดีต คะแนนความเสี่ยงที่สูงขึ้นหมายถึงความเป็นไปได้มากขึ้นที่จะเกิดการฉ้อโกง ทําให้องค์กรต่างๆ สามารถจัดลําดับความสําคัญทรัพยากรและมุ่งเน้นไปที่ธุรกรรมหรือบัญชีที่เจาะจงซึ่งต้องการการตรวจสอบเพิ่มเติมได้การวิเคราะห์เครือข่าย
มิจฉาชีพมักจะทํางานร่วมกันและจัดตั้งเครือข่ายเพื่ออาเนินกิจกรรมของตน เทคนิคการใช้แมชชีนเลิร์นนิง เช่น การวิเคราะห์กราฟ อาจช่วยเปิดโปงเครือข่ายเหล่านี้ได้ โดยการวิเคราะห์ความสัมพันธ์ระหว่างนิติบุคคลต่างๆ (เช่น ผู้ใช้ บัญชี หรืออุปกรณ์) พร้อมทั้งระบุการเชื่อมโยงหรือคลัสเตอร์ที่ผิดปกติการวิเคราะห์ข้อความ
อัลกอริทึมของแมชชีนเลิร์นนิงสามารถวิเคราะห์ข้อมูลข้อความที่ไม่มีโครงสร้าง เช่น อีเมล โพสต์โซเชียลมีเดีย หรือการตรวจสอบลูกค้า เพื่อระบุรูปแบบหรือคําหลักที่อาจบ่งบอกถึงการฉ้อโกงหรือการหลอกลวงการยืนยันตัวตน
โมเดลแมชชีนเลิร์นนิงสามารถวิเคราะห์และยืนยันข้อมูลที่ผู้ใช้ระบุ เช่น รูปภาพ เอกสารประจําตัว หรือข้อมูลการจดจําใบหน้า เพื่อให้แน่ใจว่าบุคคลนั้นเป็นบุคคลที่อ้างจริงๆ เป็นและป้องกันการโจรกรรมข้อมูลส่วนบุคคลการเรียนรู้แบบปรับตัว
หนึ่งในจุดแข็งสําคัญของแมชชีนเลิร์นนิงก็คือความสามารถในการเรียนรู้และปรับตัวให้เข้ากับข้อมูลใหม่ๆ เมื่อมิจฉาชีพเปลี่ยนกลยุทธ์ของตัวเอง โมเดลแมชชีนเลิร์นนิงก็สามารถฝึกฝนโดยใช้ข้อมูลใหม่ได้ ช่วยให้สามารถอัปเดตและเพิ่มประสิทธิภาพในการตรวจจับรูปแบบการฉ้อโกงที่เกิดขึ้น
การใช้แมชชีนเลิร์นนิงในการป้องกันการฉ้อโกงเป็นวิธีอันทรงประสิทธิภาพสําหรับองค์กรในการยกระดับความสามารถในการตรวจจับ ลดความเสี่ยงจากผลบวกลวง และปรับปรุงความปลอดภัยโดยรวมและประสบการณ์ของลูกค้า

ใบรับรองการป้องกันการฉ้อโกงโดยแมชชีนเลิร์นนิง
ใบรับรองการป้องกันการฉ้อโกงโดยแมชชีนเลิร์นนิงคือการรับรองหรือโปรแกรมการฝึกอบรมประเภทหนึ่งที่เน้นการใช้เทคนิคการเรียนรู้ของแมชชีนเลิร์นนิงในการตรวจจับและป้องกันการฉ้อโกง เป้าหมายของใบรับรองนี้คือการให้ความรู้ ทักษะ และเครื่องมือแก่บุคคลทั่วไปเพื่อใช้แมชชีนเลิร์นนิงในการป้องกันการฉ้อโกง
โดยปกติ ใบรับรองการป้องกันการฉ้อโกงโดยแมชชีนเลิร์นนิงจะครอบคลุมสิ่งต่อไปนี้
ข้อมูลพื้นฐานเกี่ยวกับแมชชีนเลิร์นนิง ข้อมูลเบื้องต้นเกี่ยวกับแนวคิดพื้นฐานและหลักการของแมชชีนเลิร์นนิง ซึ่งรวมถึงอัลกอริทึมภายใต้การดูแล ไม่ได้อยู่ภายใต้การดูแล และเทคนิคการเรียนรู้แบบเสริมแรง รวมถึงอัลกอริทึมที่ใช้กันมากที่สุด
การเตรียมพร้อมและการนําส่งข้อมูล: เทคนิคสําหรับการจัดระเบียบ แปลง และเตรียมข้อมูลสําหรับใช้ในโมเดลแมชชีนเลิร์นนิง รวมถึงวิธีจัดการกับข้อมูลที่สูญหายหรือไร้ระเบียบ (ข้อมูลเสียหายหรือใช้งานไม่ได้) วิศวกรรมค่าแทนลักษณะ และการปรับมาตรฐานข้อมูล
การฝึกอบรมและการประเมินโมเดล: วิธีการฝึกสอนโมเดลแมชชีนเลิร์นนิง การเลือกอัลกอริทึมที่เหมาะสม การเพิ่มประสิทธิภาพพารามิเตอร์ของโมเดล และการประเมินประสิทธิภาพของโมเดลโดยใช้เมตริก เช่น ความถูกต้อง ความแม่นยำ การเรียกคืน และคะแนน F1 (การวัดความแม่นยำและการเรียกคืน)
เทคนิคการตรวจจับการฉ้อโกง: ภาพรวมของแนวทางต่างๆ ที่ใช้แมชชีนเลิร์นนิงในการตรวจจับการฉ้อโกง เช่น การตรวจจับความผิดปกติ การให้คะแนนความเสี่ยง การวิเคราะห์เครือข่าย การวิเคราะห์ข้อความ และการยืนยันตัวตน
การนำไปใช้งานและการติดตั้งใช้งาน: แนวทางปฏิบัติที่ดีที่สุดสําหรับการใช้และมีส่วนร่วมกับโมเดลแมชชีนเลิร์นนิงในสภาพแวดล้อมการผลิต ซึ่งรวมถึงการกําหนดเวอร์ชันของโมเดล การติดตามและการรักษาประสิทธิภาพของโมเดลเมื่อเวลาผ่านไป
จริยธรรมและระเบียบข้อบังคับ: การอภิปรายเกี่ยวกับข้อควรพิจารณาทางจริยธรรมและการปฏิบัติตามข้อบังคับที่เกี่ยวข้องกับแมชชีนเลิร์นนิงและการป้องกันการฉ้อโกง เช่น ความเป็นส่วนตัวของข้อมูล ความเป็นธรรม และความสามารถในการอธิบาย (ความสามารถในการอธิบายให้มนุษย์เข้าใจถึงสิ่งที่โมเดลแมชชีนเลิร์นนิงทำ ตั้งแต่อินพุตจนถึงเอาต์พุต)
การได้รับใบรับรองการป้องกันการฉ้อโกงโดยแมชชีนเลิร์นนิงอาจช่วยให้ผู้เชี่ยวชาญสามารถนําเสนอความเชี่ยวชาญเฉพาะทางในด้านนี้ และจะกลายเป็นบุคลากรอันมีค่าสำหรับองค์กรที่ต้องการปรับปรุงความสามารถในการตรวจจับการฉ้อโกง มีผู้เชี่ยวชาญหลายประเภทที่อาจได้รับประโยชน์จากใบรับรองดังกล่าว ได้แก่ นักวิทยาศาสตร์ข้อมูล นักวิเคราะห์ ผู้ตรวจสอบการฉ้อโกง และผู้เชี่ยวชาญด้านความปลอดภัยทางไซเบอร์
ตัวอย่างของแมชชีนเลิร์นนิงเพื่อตรวจจับการฉ้อโกง
ธุรกิจที่เกี่ยวข้องกับการชําระเงินของลูกค้าจะใช้การตรวจจับและการป้องกันการฉ้อโกงด้วยแมชชีนเลิร์นนิงในสถานการณ์การชําระเงินแบบต่างๆ ดังต่อไปนี้
การชําระเงินที่จุดขาย
ระบบตรวจจับการฉ้อโกงบัตรเครดิต
อัลกอริทึมของแมชชีนเลิร์นนิงสามารถวิเคราะห์ข้อมูลธุรกรรม (เช่น เวลา ตำแหน่งที่ตั้ง จํานวนเงิน และธุรกิจ) เพื่อระบุรูปแบบและรายงานธุรกรรมที่อาจเป็นการฉ้อโกงได้แบบเรียลไทม์ ตัวอย่างเช่น หากมีการใช้บัตรของลูกค้าในตําแหน่งที่ห่างจากกัน 2 แห่งภายในระยะเวลาใกล้กัน ระบบจะรายงานธุรกรรมดังกล่าวว่าน่าสงสัยการตรวจจับความผิดปกติในระบบบันทึกการขาย (POS)
แมชชีนเลิร์นนิงสามารถตรวจสอบธุรกรรมใน POS และระบุรูปแบบที่ผิดปกติ ตัวอย่างเช่น หากพนักงานประมวลผลการคืนเงินหรือส่วนลดเป็นจํานวนมากผิดปกติ ก็อาจบ่งชี้ว่าเป็นการฉ้อโกงหรือการขโมยโดยบุคลากรภายใน
การชําระเงินผ่านอุปกรณ์เคลื่อนที่
การตรวจสอบเอกลักษณ์ของอุปกรณ์
โมเดลแมชชีนเลิร์นนิงสามารถวิเคราะห์ข้อมูลเฉพาะของอุปกรณ์ (เช่น โมเดลอุปกรณ์ ระบบปฏิบัติการ ที่อยู่ IP) เพื่อสร้าง "ลายนิ้วมือ" ที่ไม่ซ้ํากันสําหรับผู้ใช้แต่ละราย วิธีนี้ช่วยตรวจจับกิจกรรมการฉ้อโกง เช่น การควบคุมบัญชีหรือบัญชีหลายบัญชีที่เชื่อมโยงกับอุปกรณ์เครื่องเดียวไบโอเมตริกเชิงพฤติกรรม
แมชชีนเลิร์นนิงสามารถวิเคราะห์รูปแบบการทํางานของผู้ใช้ เช่น ความเร็วในการพิมพ์ การปัดนิ้ว หรือการใช้แอป เพื่อยืนยันตัวตนของผู้ใช้และตรวจหาสิ่งผิดปกติที่อาจบ่งชี้ว่าเป็นการฉ้อโกง
อีคอมเมิร์ซ
การป้องกันการเข้าควบคุมบัญชี
แมชชีนเลิร์นนิงสามารถตรวจสอบรูปแบบการเข้าสู่ระบบของผู้ใช้และตรวจจับกิจกรรมที่ผิดปกติ เช่น การพยายามเข้าสู่ระบบที่ไม่สําเร็จหลายครั้งหรือการพยายามเข้าสู่ระบบจากอุปกรณ์หรือตําแหน่งที่ตั้งใหม่ ซึ่งอาจบ่งชี้ว่ามีการเข้าควบคุมบัญชีระบบตรวจจับการฉ้อโกงที่เป็นมิตร
แมชชีนเลิร์นนิงสามารถระบุรูปแบบต่างๆ ที่เกี่ยวข้องกับการฉ้อโกงที่เป็นมิตร ซึ่งลูกค้าซื้อสินค้าหรือบริการ หลังจากนั้นก็อ้างว่าธุรกรรมนั้นไม่ได้รับอนุญาตหรือไม่เคยได้รับผลิตภัณฑ์ดังกล่าว โมเดลสามารถวิเคราะห์ปัจจัยต่างๆ เช่น ประวัติการซื้อของลูกค้า อัตราการคืนสินค้า และรูปแบบการดึงเงินคืน เพื่อรายงานว่าอาจมีกรณีการฉ้อโกงที่เป็นมิตรเกิดขึ้น
กรณีการใช้งานที่เกี่ยวข้องอื่นๆ
การตรวจจับการฉ้อโกงในใบแจ้งหนี้
แมชชีนเลิร์นนิงสามารถวิเคราะห์ใบแจ้งหนี้และเอกสารประกอบที่เกี่ยวข้อง เพื่อระบุข้อมูลที่ไม่ตรงกัน เช่น ใบแจ้งหนี้ซ้ํา จํานวนเงินที่ไม่ตรงกัน หรือรายละเอียดผู้ให้บริการที่น่าสงสัย ซึ่งอาจบ่งชี้ว่าเป็นการฉ้อโกงการตรวจจับการฉ้อโกงโปรแกรมสมาชิก
แมชชีนเลิร์นนิงสามารถตรวจสอบพฤติกรรมของลูกค้าในโปรแกรมสมาชิก เช่น การสะสมคะแนน การแลกคะแนน และกิจกรรมของบัญชี เพื่อระบุและรายงานการฉ้อโกงหรือการละเมิดที่อาจเกิดขึ้น
การใช้ระบบตรวจจับและป้องกันการฉ้อโกงที่ใช้แมชชีนเลิร์นนิงจะช่วยให้ธุรกิจปกป้องตนเองและลูกค้าจากการฉ้อโกง ลดการสูญเสียทางการเงิน รวมทั้งเพิ่มความไว้วางใจและความพึงพอใจของลูกค้าได้ดีขึ้น
เนื้อหาในบทความนี้มีไว้เพื่อให้ข้อมูลทั่วไปและมีจุดประสงค์เพื่อการศึกษาเท่านั้น ไม่ควรใช้เป็นคําแนะนําทางกฎหมายหรือภาษี Stripe ไม่รับประกันหรือรับประกันความถูกต้อง ความสมบูรณ์ ความไม่เพียงพอ หรือความเป็นปัจจุบันของข้อมูลในบทความ คุณควรขอคําแนะนําจากทนายความที่มีอํานาจหรือนักบัญชีที่ได้รับใบอนุญาตให้ประกอบกิจการในเขตอํานาจศาลเพื่อรับคําแนะนําที่ตรงกับสถานการณ์ของคุณ