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
  

What is machine learning?

Machine learning is a subfield of AI that focuses on developing algorithms and models that give computers the ability to learn from data, identify patterns from within the data, and make decisions based on their learnings.

There are three main types of machine learning:

Supervised learning

Supervised learning is a type of machine learning in which a computer is taught to make predictions or decisions based on examples. Think of it like a student learning from a teacher: the teacher provides the student with a set of problems and correct answers to those problems, and the student studies these examples, learning to recognize patterns. When the student faces a new problem, they can use their previous knowledge to find the correct answer.

In supervised learning, the computer algorithm is given a dataset with both the input data (problems) and the correct output (answers). The algorithm studies this dataset and learns the relationship between the input and output. Eventually, the algorithm can make predictions or decisions for new data that it has not seen before.

Unsupervised learning

Unsupervised learning is a type of machine learning in which a computer learns to identify patterns or structures in data without being given any specific examples or correct answers. This is similar to how a detective would try to solve a case without any initial leads—by looking for clues and connections in the available information to uncover hidden patterns or relationships. In unsupervised learning, the computer algorithm is given a dataset with only input data, without any corresponding correct outputs (answers). The algorithm’s job is to analyze this data and discover underlying patterns.

Reinforcement learning

Reinforcement learning is a type of machine learning in which a computer learns to make decisions by interacting with an environment and receiving feedback in the form of rewards or penalties. Think of how you might train a dog to perform tricks. When the dog performs the trick correctly, you offer it a treat (a reward), and when the dog doesn’t do the trick, you may give it a gentle correction (a penalty). Over time, the dog learns to perform the trick correctly to maximize the number of treats it receives.

In reinforcement learning, the computer algorithm, often called an agent, explores an environment and makes decisions. For each decision it makes, it receives feedback as either a reward or a penalty. The algorithm’s goal is to learn the best strategy, or policy, to make decisions that maximize its cumulative rewards over time. It does this through trial and error, adapting and improving its strategy based on the feedback.

Machine learning techniques are used in many different scenarios, including natural language processing, image and speech recognition, medical diagnosis, financial analysis, and autonomous vehicles.

มีการนำแมชชีนเลิร์นนิงมาใช้ในการป้องกันและการตรวจจับการฉ้อโกงอย่างไรบ้าง

มีการใช้แมชชีนเลิร์นนิงในการป้องกันและการตรวจจับการฉ้อโกงมากขึ้นเรื่อยๆ เนื่องจากสามารถวิเคราะห์ข้อมูลปริมาณมาก ระบุรูปแบบต่างๆ และปรับตามข้อมูลใหม่ๆ ได้ การใช้งานแมชชีนเลิร์นนิงในการป้องกันการฉ้อโกงที่พบได้บ่อยมีดังนี้

• การตรวจจับความผิดปกติ
  อัลกอริทึมของแมชชีนเลิร์นนิงสามารถระบุรูปแบบหรือค่าเบี่ยงเบนที่ผิดปกติจากพฤติกรรมตามปกติในข้อมูลการทําธุรกรรม อัลกอริทึมจะ "ฝึกอบรม" โดยใช้ข้อมูลในอดีต จากนั้นก็เรียนรู้ที่จะจดจําธุรกรรมที่ถูกต้องและรายงานกิจกรรมที่น่าสงสัยที่อาจบ่งบอกถึงการฉ้อโกง

• การให้คะแนนความเสี่ยง
  โมเดลแมชชีนเลิร์นนิงสามารถกําหนดคะแนนความเสี่ยงให้กับธุรกรรมหรือบัญชีผู้ใช้ตามปัจจัยต่างๆ เช่น ยอดธุรกรรม ตำแหน่งที่ตั้ง ความถี่ และพฤติกรรมในอดีต คะแนนความเสี่ยงที่สูงขึ้นหมายถึงความเป็นไปได้มากขึ้นที่จะเกิดการฉ้อโกง ทําให้องค์กรต่างๆ สามารถจัดลําดับความสําคัญทรัพยากรและมุ่งเน้นไปที่ธุรกรรมหรือบัญชีที่เจาะจงซึ่งต้องการการตรวจสอบเพิ่มเติมได้

• การวิเคราะห์เครือข่าย
  มิจฉาชีพมักจะทํางานร่วมกันและจัดตั้งเครือข่ายเพื่ออาเนินกิจกรรมของตน เทคนิคการใช้แมชชีนเลิร์นนิง เช่น การวิเคราะห์กราฟ อาจช่วยเปิดโปงเครือข่ายเหล่านี้ได้ โดยการวิเคราะห์ความสัมพันธ์ระหว่างนิติบุคคลต่างๆ (เช่น ผู้ใช้ บัญชี หรืออุปกรณ์) พร้อมทั้งระบุการเชื่อมโยงหรือคลัสเตอร์ที่ผิดปกติ

• การวิเคราะห์ข้อความ
  อัลกอริทึมของแมชชีนเลิร์นนิงสามารถวิเคราะห์ข้อมูลข้อความที่ไม่มีโครงสร้าง เช่น อีเมล โพสต์โซเชียลมีเดีย หรือการตรวจสอบลูกค้า เพื่อระบุรูปแบบหรือคําหลักที่อาจบ่งบอกถึงการฉ้อโกงหรือการหลอกลวง

• การยืนยันตัวตน
  โมเดลแมชชีนเลิร์นนิงสามารถวิเคราะห์และยืนยันข้อมูลที่ผู้ใช้ระบุ เช่น รูปภาพ เอกสารประจําตัว หรือข้อมูลการจดจําใบหน้า เพื่อให้แน่ใจว่าบุคคลนั้นเป็นบุคคลที่อ้างจริงๆ เป็นและป้องกันการโจรกรรมข้อมูลส่วนบุคคล

• การเรียนรู้แบบปรับตัว
  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 ระบบจะรายงานธุรกรรมดังกล่าวว่าน่าสงสัย

• การตรวจจับความผิดปกติในระบบบันทึกการขาย (POS)
  แมชชีนเลิร์นนิงสามารถตรวจสอบธุรกรรมใน POS และระบุรูปแบบที่ผิดปกติ ตัวอย่างเช่น หากพนักงานประมวลผลการคืนเงินหรือส่วนลดเป็นจํานวนมากผิดปกติ ก็อาจบ่งชี้ว่าเป็นการฉ้อโกงหรือการขโมยโดยบุคลากรภายใน

การชําระเงินผ่านอุปกรณ์เคลื่อนที่

• การตรวจสอบเอกลักษณ์ของอุปกรณ์
  โมเดลแมชชีนเลิร์นนิงสามารถวิเคราะห์ข้อมูลเฉพาะของอุปกรณ์ (เช่น โมเดลอุปกรณ์ ระบบปฏิบัติการ ที่อยู่ IP) เพื่อสร้าง "ลายนิ้วมือ" ที่ไม่ซ้ํากันสําหรับผู้ใช้แต่ละราย วิธีนี้ช่วยตรวจจับกิจกรรมการฉ้อโกง เช่น การควบคุมบัญชีหรือบัญชีหลายบัญชีที่เชื่อมโยงกับอุปกรณ์เครื่องเดียว

• ไบโอเมตริกเชิงพฤติกรรม
  แมชชีนเลิร์นนิงสามารถวิเคราะห์รูปแบบการทํางานของผู้ใช้ เช่น ความเร็วในการพิมพ์ การปัดนิ้ว หรือการใช้แอป เพื่อยืนยันตัวตนของผู้ใช้และตรวจหาสิ่งผิดปกติที่อาจบ่งชี้ว่าเป็นการฉ้อโกง

อีคอมเมิร์ซ

• การป้องกันการเข้าควบคุมบัญชี
  แมชชีนเลิร์นนิงสามารถตรวจสอบรูปแบบการเข้าสู่ระบบของผู้ใช้และตรวจจับกิจกรรมที่ผิดปกติ เช่น การพยายามเข้าสู่ระบบที่ไม่สําเร็จหลายครั้งหรือการพยายามเข้าสู่ระบบจากอุปกรณ์หรือตําแหน่งที่ตั้งใหม่ ซึ่งอาจบ่งชี้ว่ามีการเข้าควบคุมบัญชี

• ระบบตรวจจับการฉ้อโกงที่เป็นมิตร
  แมชชีนเลิร์นนิงสามารถระบุรูปแบบต่างๆ ที่เกี่ยวข้องกับการฉ้อโกงที่เป็นมิตร ซึ่งลูกค้าซื้อสินค้าหรือบริการ หลังจากนั้นก็อ้างว่าธุรกรรมนั้นไม่ได้รับอนุญาตหรือไม่เคยได้รับผลิตภัณฑ์ดังกล่าว โมเดลสามารถวิเคราะห์ปัจจัยต่างๆ เช่น ประวัติการซื้อของลูกค้า อัตราการคืนสินค้า และรูปแบบการดึงเงินคืน เพื่อรายงานว่าอาจมีกรณีการฉ้อโกงที่เป็นมิตรเกิดขึ้น

กรณีการใช้งานที่เกี่ยวข้องอื่นๆ

• การตรวจจับการฉ้อโกงในใบแจ้งหนี้
  แมชชีนเลิร์นนิงสามารถวิเคราะห์ใบแจ้งหนี้และเอกสารประกอบที่เกี่ยวข้อง เพื่อระบุข้อมูลที่ไม่ตรงกัน เช่น ใบแจ้งหนี้ซ้ํา จํานวนเงินที่ไม่ตรงกัน หรือรายละเอียดผู้ให้บริการที่น่าสงสัย ซึ่งอาจบ่งชี้ว่าเป็นการฉ้อโกง

• การตรวจจับการฉ้อโกงโปรแกรมสมาชิก
  แมชชีนเลิร์นนิงสามารถตรวจสอบพฤติกรรมของลูกค้าในโปรแกรมสมาชิก เช่น การสะสมคะแนน การแลกคะแนน และกิจกรรมของบัญชี เพื่อระบุและรายงานการฉ้อโกงหรือการละเมิดที่อาจเกิดขึ้น

การใช้ระบบตรวจจับและป้องกันการฉ้อโกงที่ใช้แมชชีนเลิร์นนิงจะช่วยให้ธุรกิจปกป้องตนเองและลูกค้าจากการฉ้อโกง ลดการสูญเสียทางการเงิน รวมทั้งเพิ่มความไว้วางใจและความพึงพอใจของลูกค้าได้ดีขึ้น