Featurespace เปิดตัวโครงข่ายพฤติกรรมเชิงลึกแบบอัตโนมัติ

Logo

ผู้นำโลกด้านการป้องกันอาชญากรรมทางการเงินระดับองค์กรเปิดตัวระบบป้องกันบัตรเครดิตและระบบชำระเงินที่ปลอดภัยขึ้นอีกขั้น

ลอนดอน & แอตแลนตา & สิงคโปร์–(BUSINESS WIRE)–25 กุมภาพันธ์ 2564

วันนี้ Featurespace ได้เปิดตัว Automated Deep Behavioral Networks สำหรับอุตสาหกรรมบัตรเครดิตและระบบชำระเงิน เพื่อมอบการป้องกันที่ลึกไปอีกขั้นสำหรับปกป้องผู้บริโภคจากการฉ้อโกง การปลอมแปลงบัญชี กลโกงเกี่ยวกับบัตรและการชำระเงิน ซึ่งมีมูลค่าความเสียหายราว 4.2 หมื่นล้านดอลลาร์ในปี 2563

“ความสำคัญของการพัฒนาครั้งนี้เป็นมากกว่าการชี้ให้เห็นถึงปัญหาอาชญากรรมทางการเงินขององค์กร นี่คือยุคใหม่ของเทคโนโลยี Machine Learning อย่างแท้จริง” Dave Excell ผู้ก่อตั้ง Featurespace กล่าว

การประดิษฐ์คิดค้น

การประดิษฐ์คิดค้นครั้งสำคัญของเทคโนโลยีการเรียนรู้เชิงลึกนี้ต้องใช้วิธีการทางด้านสถาปัตยกรรมและวิศวกรรมการเรียนรู้ด้วยเครื่อง หรือ Machine Learning รูปแบบใหม่ทั้งหมดในการสร้างแพลตฟอร์มขึ้นมา โครงข่ายพฤติกรรมเชิงลึกแบบอัตโนมัติ หรือ Automated Deep Behavioral Networks เป็นโครงข่ายที่สร้างขึ้นใหม่จากสถาปัตยกรรมของโครงข่ายประสาทแบบวนซ้ำ หรือ Recurrent Neural Networks ที่มีเฉพาะในเวอร์ชันล่าสุดของ ARIC™ Risk Hub เท่านั้น

ความท้าทายและการค้นพบ

เทคโนโลยีการเรียนรู้เชิงลึกมีการประยุกต์ใช้อย่างหลากหลาย เช่น ในการประมวลผลภาษาธรรมชาติสำหรับการคาดเดาคำที่มาต่อท้ายประโยค อย่างไรก็ตาม การใช้งานของเทคโนโลยีดังกล่าวในการป้องการกลโกงเกี่ยวกับบัตรเครดิตและการตรวจจับการฉ้อโกงในระบบชำระเงินยังไม่มีการปรับใช้อย่างเหมาะสมเพื่อใช้ปกป้องบริษัทและผู้บริโภคจากการฉ้อโกงเกี่ยวกับบัตรและการชำระเงิน แต่นวัตกรรมที่สร้างขึ้นใหม่นี้จะเข้ามารับมือกับความท้าทายดังกล่าว

การทำธุรกรรมนั้นจะเกิดขึ้นเป็นช่วง ๆ ทำให้การเข้าใจบริบทของเวลามีความสำคัญต่อการทำนายพฤติกรรม ก่อนหน้านี้ ในการสร้างโมเดลการเรียนรู้ด้วยเครื่องที่มีประสิทธิภาพสำหรับการป้องกันการฉ้อโกง นักวิทยาศาสตร์ข้อมูลจำเป็นต้องมีความเชี่ยวชาญด้านโดเมนในระดับลึกเพื่อที่จะสามารถระบุและเลือกคุณลักษณะของข้อมูลได้อย่างเหมาะสม ซึ่งเป็นขั้นตอนที่ยุ่งยากแต่สำคัญ

Featurespace Research ได้พัฒนาโครงข่ายพฤติกรรมเชิงลึกแบบอัตโนมัติขึ้นเพื่อให้การค้นหาคุณลักษณะเป็นไปโดยอัตโนมัติและช่วยให้เซลล์หน่วยความจำเรียนรู้ความเข้าใจดั้งเดิมเกี่ยวกับความสำคัญของเวลาในขั้นตอนการทำธุรกรรม ซึ่งจะปรับปรุงประสิทธิภาพระดับแถวหน้าของตลาดของการวิเคราะห์พฤติกรรมการปรับตัวของบริษัท การตรวจพบการโกงก่อนที่เงินในบัญชีของเหยื่อจะถูกดูดออกไปเป็นการป้องกันการฉ้อโกง การปลอมแปลงบัญชี และการโจมตีเกี่ยวกับบัตรเครดิตและการชำระเงินที่ดีที่สุด สำหรับประโยชน์ของโครงข่ายพฤติกรรมเชิงลึกแบบอัตโนมัติสำหรับกลุ่มต่าง ๆ มีดังนี้:

ผู้บริโภค:

  • ทำธุรกรรมที่ไม่มีความผิดปกติได้โดยมีกระบวนการตรวจสอบยืนยันที่ลดลง และ
  • สารถระบุการฉ้อโกง การปลอมแปลงบัญชี การโจมตีเพื่อฉ้อโกงเกี่ยวกับบัตรเครดิตและการชำระเงินโดยอัตโนมัติก่อนที่เงินของเหยื่อจะถูกดูดออกจากบัญชี

นักวิทยาศาสตร์ข้อมูล:

  • สามารถค้นหาคุณลักษณะในการทำธุรกรรมได้โดยอัตโนมัติ
  • สามารถส่งต่อตรรกะการเรียนรู้ของเครื่องในแต่ละชั้นของโมเดลได้ตลอด
  • สามารถใช้ความผิดปกติของการกระทำต่าง ๆ ของมนุษย์ระบุพฤติกรรมที่ไม่ปกติ และ
  • สามรถเก็บรักษาการค้นพบทั้งหมดโดยการวิเคราะห์พฤติกรรมการปรับตัวของ Featurespace เอาไว้

อุตสาหกรรมบัตรเครดิตและการชำระเงิน:

  • ปรับปรุงความแน่นอนของคะแนนความเสี่ยงในการทำธุรกรรมทุกรูปแบบ (มีการตรวจจับการฉ้อโกงระหว่างการทำธุรกรรมเพิ่มขึ้น และระบุพฤติกรรมปกติได้อย่างถูกต้องเพื่อให้สามารถรับการทำธุรกรรมได้มากขึ้น)
  • ปรับปรุงประสิทธิภาพระบบชำระเงินประเภทต่าง ๆ รวมถึงบัตรเครดิตและระบบ ACH/BACS, การโอนเงิน, ระบบ P2P และการชำระเงินที่รวดเร็วขึ้น
  • ปรับปรุงการตรวจจับการฉ้อโกงแบบ high-value, low-volume (และการตรวจจับการฉ้อโกงแบบ low-value, high-volume)
  • ลดขั้นตอนในการยืนยันตัวตน
  • มีเอกสารกำกับสำหรับโมเดลที่มีความเข้มงวด พร้อมด้วยตรรกะที่อธิบายได้ การตัดสินใจและโค้ดเหตุผลที่เหมาะสม และ
  • การให้คะแนนแบบเรียลไทม์ที่มีความเสถียร ให้ปริมาณงานสูง และระยะเวลาในการตอบสนองที่มีความหน่วงต่ำสำหรับองค์กรที่มีความสำคัญทางธุรกิจ แม้ในช่วงที่มีการใช้งานสูง

Excell กล่าวต่อว่า “เพราะการชำระเงินแบบเรียลไทม์ การเปลี่ยนผ่านสู่ระบบดิจิทัล และความต้องการของผู้บริโภคต้องการการเคลื่อนย้ายของเงินอย่างทันที บทบาทของเราคือการสร้างความมั่นใจว่าอุตสาหกรรมนี้มีเครื่องมือที่ดีที่สุดสำหรับการปกป้ององค์กรของพวกเขาและผู้บริโภคจากอาชญากรรมทางการเงิน ผมภูมิใจอย่างมากในทีมวิจัยของเราและความมุ่งมั่นของพวกเขาในการเป็นตัวแทนของผู้บริโภคสร้างนวัตกรรมการเรียนรู้ของเครื่อง”

เกี่ยวกับ Featurespace – www.featurespace.com

Featurespace™ เป็นผู้นำระดับโลกในการป้องกันอาชญากรรมทางการเงินระดับองค์กรสำหรับการฉ้อโกงและการต่อต้านการฟอกเงิน Featurespace ได้คิดค้นการวิเคราะห์พฤติกรรมการปรับตัว หรือ Adaptive Behavioral Analytics และสร้างแพลตฟอร์ม ARIC™ ซึ่งเป็นซอฟต์แวร์การเรียนรู้ของเครื่อง หรือ Machine Learning แบบเรียลไทม์ที่ระบุคะแนนความเสี่ยงของสถานการณ์ในกว่า 180 ประเทศ เพื่อป้องกันการฉ้อโกงและอาชญากรรมทางการเงิน

ARIC™ Risk Hub ใช้การตรวจจับความผิดปกติขั้นสูงที่อธิบายได้เพื่อให้สถาบันการเงินสามารถระบุความเสี่ยงโดยอัตโนมัติ ตรวจจับการโจมตีจากการฉ้อโกงใหม่ ๆ และระบุกิจกรรมที่น่าสงสัยในแบบเรียลไทม์ สถาบันการเงินรายใหญ่ระดับโลกกว่า 30 แห่งใช้ ARIC เพื่อปกป้องธุรกิจและลูกค้าของตน ลูกค้าของ ARIC ที่เปิดเผยตัวต่อสาธารณะ ได้แก่ HSBC, TSYS, Worldpay, NatWest Group, Contis, Danske Bank, ClearBank, AK Bank และ Permanent TSB

ดูเนื้อหาต้นฉบับที่ businesswire.comhttps://www.businesswire.com/news/home/20210225005221/en/

ติดต่อ:

Michael Touchton, Featurespace
ผู้จัดการฝ่ายประชาสัมพันธ์และสื่อสาร
Michael.touchton@featurespace.com
+1 (423) 364-5491

เนื้อหาใจความในภาษาต้นฉบับของข่าวประชาสัมพันธ์ฉบับนี้เป็นฉบับที่เชื่อถือได้และเป็นทางการ การแปลต้นฉบับนี้จึงมีจุดประสงค์เพื่ออำนวยความสะดวกเท่านั้น และควรนำไปเทียบเคียงอ้างอิงกับเนื้อหาในภาษาต้นฉบับ ซึ่งเป็นฉบับเดียวที่มีผลทางกฎหมาย