Нечеловеческая проницательность: как ИИ распознает кредитных мошенников
По прогнозу исследовательской компании Autonomous Next, к 2030 году банки мира с помощью технологий искусственного интеллекта сократят расходы на 22%, экономия достигнет $1 трлн.
По чужим документам
Развитие онлайн-технологий делает проще процесс кредитования. Вместо того чтобы идти в отделение банка, клиентам теперь достаточно сделать несколько кликов на смартфоне. Но поскольку в такой ситуации кредитная организация не видит ни самого заемщика, ни его паспорт, идентифицировать его через интернет сложнее, этим могут воспользоваться мошенники, которые пытаются получить деньги по чужим документам.
Основные виды мошенничества в этой сфере:
- «семейное» (кредит оформляют на родственника или знакомого, который ничего не подозревает);
- профессиональное (преступник получает паспортные данные сразу большого числа людей и рассылает их в десятки банков и МФО в расчете обмануть их скоринговые системы).
Как персональные данные клиентов попадают к мошенникам? Во-первых, их могут «слить» в интернет нечистые на руку сотрудники компаний. Во-вторых, завладеть ими мошенники могут с помощью различных фишинговых сайтов или просто в соцсетях, например, под видом сбора анкет для розыгрышей призов.
Выявить мошенника
Чем тут может помочь искусственный интеллект? Это технология, в основе которой лежат алгоритмы машинного обучения:
- классификация;
- регрессия;
- кластеризация данных.
Классификация служит для распределения множества объектов по классам в зависимости от той или иной характеристики. Например, ею может стать площадка, с помощью которой заемщики подают заявки на кредит: десктоп, сайт на смартфоне или мобильное приложение.
Кластеризация ищет независимые группы (кластеры) и их характеристики. По сути, этот процесс похож на классификацию. Принципиальное различие в том, что при кластеризации перечень групп задан не четко и определяется уже в процессе работы алгоритма. Задача метода, чтобы в итоге объекты из одного кластера были более похожи между собой, чем объекты из другого.
Регрессия определяет отношения между значениями параметров объектов. С ее помощью можно выстраивать закономерности, от которых будет зависеть решение системы. Самый простой пример: если человек ранее брал деньги и вернул их в срок, вероятность одобрения его заявки будет выше.
Эти принципы позволяют находить зависимости в данных, что дает возможность предсказывать возникновение событий. Иными словами, если в 90% случаев заявки, обладающие определенным набором признаков, подавались с преступным умыслом, система сделает вывод, что и в этот раз похожая заявка, скорее всего, исходит от мошенника.
Важно, что каждый из параметров сам по себе не является стоп-фактором, но в совокупности они позволяют с очень высокой долей вероятности выявить потенциального мошенника.
Беспристрастный анализ
Настораживающие «триггеры», которые учитывает искусственный интеллект в скоринговых системах, могут быть такими: