Izmēģiniet MI savā tīmekļa vietnē 60 sekundēs
Skatiet, kā mūsu MI acumirklī analizē jūsu tīmekļa vietni un izveido personalizētu tērzēšanas robotu - bez reģistrācijas. Vienkārši ievadiet savu URL un vērojiet, kā tas darbojas!
Gatavs 60 sekundēs
Nav nepieciešamas programmēšanas prasmes
100% droši
Ievads
Western Union kiberdrošības komandcentrā ir pulksten 2 naktī, un Maija Patela jau šķiet, ka vairākas stundas nav pamirkšķinājusi pat aci. Uzņēmuma mākslīgā intelekta krāpšanas atklāšanas sistēma tikko ir atzīmējusi trīs neparastus darījumu modeļus. Liels naudas pārskaitījumu apjoms no kontiem Nebraskā uz Ukrainu, un visi šie pārskaitījumi ir nedaudz zem ziņošanas sliekšņa. Pārāk līdzīgi, lai būtu sakritība, pārāk perfekti, lai būtu nejauši.
"Šī ir trešā reize šonedēļ," Maija nomurmina, ar praktizētu precizitāti pieskaroties tastatūrai. Aiz viņas milzīgos ekrānos tiek rādītas krāsainas globālo darījumu plūsmu vizualizācijas. Viņas mākslīgā intelekta asistents jau ir apkopojis ziņojumu, izceļot aizdomīgos modeļus sarkanā krāsā. Pirms gadiem analītiķu komandai būtu vajadzīgas vairākas dienas, lai to pamanītu. Tagad tas notiek dažu sekunžu laikā.
"Šī ir trešā reize šonedēļ," Maija nomurmina, ar praktizētu precizitāti pieskaroties tastatūrai. Aiz viņas milzīgos ekrānos tiek rādītas krāsainas globālo darījumu plūsmu vizualizācijas. Viņas mākslīgā intelekta asistents jau ir apkopojis ziņojumu, izceļot aizdomīgos modeļus sarkanā krāsā. Pirms gadiem analītiķu komandai būtu vajadzīgas vairākas dienas, lai to pamanītu. Tagad tas notiek dažu sekunžu laikā.
Klusais karš
Mēs esam liecinieki klusam karam, kas notiek nevis ar ieročiem un bumbām, bet gan ar algoritmiem un datiem. Tā kā digitālie darījumi ir kļuvuši par mūsu ekonomikas mugurkaulu, finanšu krāpšana ir attīstījusies no rupjām krāpniecībām līdz sarežģītiem uzbrukumiem, ko organizē starptautiski noziedzības sindikāti un valsts sponsorēti hakeri.
Tikai 2023. gadā krāpšana pasaules ekonomikai nodarīja zaudējumus vairāk nekā 5,5 triljonos ASV dolāru. Kara lauks ir visur: kredītkaršu darījumi, aizdevumu pieteikumi, apdrošināšanas atlīdzības pieprasījumi un arvien vairāk arī kriptovalūtu biržas.
"Lielākā daļa cilvēku neapzinās, ka katru reizi, kad viņi pārvelk savu karti, viņus aizsargā mākslīgais intelekts," saka Dr. Radžs Šarma, Mastercard galvenais datu zinātnieks. "Sistēmas, ko esam izveidojuši, katru gadu analizē vairāk nekā 75 miljardus darījumu, sekundes simtdaļas laikā pieņemot lēmumus par to apstiprināšanu vai noraidīšanu. Un tās katru dienu kļūst gudrākas."
Es sēžu Mastercard Tehnoloģiju centrā Ņujorkā, kur Dr. Šarma man rāda viņu neironu tīklu darbības vizualizācijas. Displeji man atgādina zvaigznājus, kur spilgti mezgli iedegas, kad no datu jūras parādās raksti.
Tikai 2023. gadā krāpšana pasaules ekonomikai nodarīja zaudējumus vairāk nekā 5,5 triljonos ASV dolāru. Kara lauks ir visur: kredītkaršu darījumi, aizdevumu pieteikumi, apdrošināšanas atlīdzības pieprasījumi un arvien vairāk arī kriptovalūtu biržas.
"Lielākā daļa cilvēku neapzinās, ka katru reizi, kad viņi pārvelk savu karti, viņus aizsargā mākslīgais intelekts," saka Dr. Radžs Šarma, Mastercard galvenais datu zinātnieks. "Sistēmas, ko esam izveidojuši, katru gadu analizē vairāk nekā 75 miljardus darījumu, sekundes simtdaļas laikā pieņemot lēmumus par to apstiprināšanu vai noraidīšanu. Un tās katru dienu kļūst gudrākas."
Es sēžu Mastercard Tehnoloģiju centrā Ņujorkā, kur Dr. Šarma man rāda viņu neironu tīklu darbības vizualizācijas. Displeji man atgādina zvaigznājus, kur spilgti mezgli iedegas, kad no datu jūras parādās raksti.
Ārpus noteikumiem
Tradicionālā krāpšanas atklāšana balstījās uz stingriem noteikumiem: ja darījums atbilst noteiktiem kritērijiem, tas jāatzīmē pārskatīšanai. Taču izsmalcināti krāpnieki ātri iemācījās apmānīt šīs sistēmas.
"Noteikumi ir kā slēdzenes," skaidro Sāra Čena, bijusī FBI kibernoziegumu speciāliste, kura tagad vada savu drošības konsultāciju uzņēmumu. "Kad kāds ir sapratis, kā tie darbojas, viņš var tos atbloķēt. Mums bija nepieciešama slēdzene, kas pastāvīgi maina savu mehānismu."
Iepazīstieties ar mašīnmācīšanos. Tā vietā, lai ievērotu skaidrus noteikumus, mūsdienu mākslīgā intelekta sistēmas mācās no vēsturiskiem modeļiem, identificējot smalkas korelācijas, kuras cilvēku analītiķi varētu nepamanīt.
Maksājumu apstrādātāja Stripe galvenajā mītnē Sanfrancisko man tiek parādīta viņu krāpšanas atklāšanas sistēmas demonstrācija. Komanda tai ievada virkni darījumu, daži likumīgi, daži krāpnieciski. Mākslīgais intelekts ne tikai pamana acīmredzamus brīdinājuma signālus — tas pamana, ka krāpnieciski darījumi bieži vien nāk no kontiem, kas izveidoti nedēļas nogalēs, vai arī tiem parasti ir nedaudz atšķirīgi rakstīšanas modeļi, ievadot informāciju.
"Cilvēki ir paradumu radības," saka Migels Gonsaless, Stripe riska direktors. "Pat vispiesardzīgākie krāpnieki atstāj modeļus. Mūsu sistēmas var noteikt taustiņu nospiedienu ritmus, peles kustības un pat to, kā kāds pārvietojas tīmekļa vietnē. Šos uzvedības biometriskos datus ir gandrīz neiespējami perfekti atdarināt."
"Noteikumi ir kā slēdzenes," skaidro Sāra Čena, bijusī FBI kibernoziegumu speciāliste, kura tagad vada savu drošības konsultāciju uzņēmumu. "Kad kāds ir sapratis, kā tie darbojas, viņš var tos atbloķēt. Mums bija nepieciešama slēdzene, kas pastāvīgi maina savu mehānismu."
Iepazīstieties ar mašīnmācīšanos. Tā vietā, lai ievērotu skaidrus noteikumus, mūsdienu mākslīgā intelekta sistēmas mācās no vēsturiskiem modeļiem, identificējot smalkas korelācijas, kuras cilvēku analītiķi varētu nepamanīt.
Maksājumu apstrādātāja Stripe galvenajā mītnē Sanfrancisko man tiek parādīta viņu krāpšanas atklāšanas sistēmas demonstrācija. Komanda tai ievada virkni darījumu, daži likumīgi, daži krāpnieciski. Mākslīgais intelekts ne tikai pamana acīmredzamus brīdinājuma signālus — tas pamana, ka krāpnieciski darījumi bieži vien nāk no kontiem, kas izveidoti nedēļas nogalēs, vai arī tiem parasti ir nedaudz atšķirīgi rakstīšanas modeļi, ievadot informāciju.
"Cilvēki ir paradumu radības," saka Migels Gonsaless, Stripe riska direktors. "Pat vispiesardzīgākie krāpnieki atstāj modeļus. Mūsu sistēmas var noteikt taustiņu nospiedienu ritmus, peles kustības un pat to, kā kāds pārvietojas tīmekļa vietnē. Šos uzvedības biometriskos datus ir gandrīz neiespējami perfekti atdarināt."
Cilvēka elements
Neskatoties uz tehnoloģisko brīnumu, cilvēku zināšanas joprojām ir izšķirošas. Paypal riska pārvaldības centrā Omaha analītiķi pārskata AI sistēmu atzīmētos gadījumus, sniedzot atsauksmes, kas palīdz uzlabot algoritmus.
"AI ir mūsu pirmā aizsardzības līnija, taču tā nav nekļūdīga," saka Dženifera Vu, vecākā krāpšanas analītiķe. "Dažreiz likumīgi darījumi izskatās aizdomīgi, un dažreiz krāpšana ir tik jauna, ka sistēma neko tādu iepriekš nav redzējusi. Šajos problēmgadījumos mums ir nepieciešams cilvēka spriedums, lai pieņemtu galīgo lēmumu."
Šī hibrīdpieeja — apvienojot AI apstrādes jaudu ar cilvēka intuīciju — ir izrādījusies ievērojami efektīva. Visa ziņo, ka viņu AI darbinātā krāpšanas atklāšanas sistēma pēdējā gada laikā ir palīdzējusi novērst krāpšanas mēģinājumus aptuveni 25 miljardu ASV dolāru apmērā.
"AI ir mūsu pirmā aizsardzības līnija, taču tā nav nekļūdīga," saka Dženifera Vu, vecākā krāpšanas analītiķe. "Dažreiz likumīgi darījumi izskatās aizdomīgi, un dažreiz krāpšana ir tik jauna, ka sistēma neko tādu iepriekš nav redzējusi. Šajos problēmgadījumos mums ir nepieciešams cilvēka spriedums, lai pieņemtu galīgo lēmumu."
Šī hibrīdpieeja — apvienojot AI apstrādes jaudu ar cilvēka intuīciju — ir izrādījusies ievērojami efektīva. Visa ziņo, ka viņu AI darbinātā krāpšanas atklāšanas sistēma pēdējā gada laikā ir palīdzējusi novērst krāpšanas mēģinājumus aptuveni 25 miljardu ASV dolāru apmērā.
Bruņošanās sacensība
Tā kā atklāšanas sistēmas kļūst arvien sarežģītākas, arī uzbrukumi kļūst sarežģītāki. Krāpnieki tagad paši izmanto mākslīgo intelektu (MI), radot dziļviltojumus, lai apietu balss autentifikācijas sistēmas, vai ģenerējot sintētiskas identitātes, kas var izturēt verifikācijas pārbaudes.
"Tā ir bruņošanās sacensība," nopūšas Dr. Emīlija Rozenberga, kiberdrošības pētniece MIT. "Katru reizi, kad mēs izstrādājam labākus aizsardzības līdzekļus, viņi izstrādā labākus uzbrukumus. Priekšrocība ir tā, ka aizsardzības MI var mācīties no miljoniem likumīgu darījumu, savukārt krāpniekiem ir ierobežoti dati, ar kuriem strādāt."
Es vēroju, kā viņa demonstrē jauna veida uzbrukumu — ģeneratīvu pretinieku tīklu (GAN), kas rada fiktīvus, bet ticamus kredītkaršu lietošanas modeļus. Sistēma ir baisi efektīva, taču mūsdienu atklāšanas sistēmās joprojām iedarbina noteiktus trauksmes signālus.
"Tā ir bruņošanās sacensība," nopūšas Dr. Emīlija Rozenberga, kiberdrošības pētniece MIT. "Katru reizi, kad mēs izstrādājam labākus aizsardzības līdzekļus, viņi izstrādā labākus uzbrukumus. Priekšrocība ir tā, ka aizsardzības MI var mācīties no miljoniem likumīgu darījumu, savukārt krāpniekiem ir ierobežoti dati, ar kuriem strādāt."
Es vēroju, kā viņa demonstrē jauna veida uzbrukumu — ģeneratīvu pretinieku tīklu (GAN), kas rada fiktīvus, bet ticamus kredītkaršu lietošanas modeļus. Sistēma ir baisi efektīva, taču mūsdienu atklāšanas sistēmās joprojām iedarbina noteiktus trauksmes signālus.
Izmēģiniet MI savā tīmekļa vietnē 60 sekundēs
Skatiet, kā mūsu MI acumirklī analizē jūsu tīmekļa vietni un izveido personalizētu tērzēšanas robotu - bez reģistrācijas. Vienkārši ievadiet savu URL un vērojiet, kā tas darbojas!
Gatavs 60 sekundēs
Nav nepieciešamas programmēšanas prasmes
100% droši
Papildus finanšu pakalpojumiem
Finanšu krāpšanas atklāšanā ieviestās metodes tagad tiek izmantotas dažādās nozarēs. Apdrošināšanas kompānijas izmanto līdzīgas mākslīgā intelekta sistēmas, lai atzīmētu aizdomīgus pieprasījumus. E-komercijas platformas tās izmanto, lai atklātu viltotas atsauksmes un viltotus produktus. Valdības aģentūras tās izmanto, lai identificētu izvairīšanos no nodokļu maksāšanas un pabalstu krāpšanu.
Veselības apdrošināšanas pakalpojumu sniedzējā Anthem mākslīgā intelekta sistēmas katru dienu skenē miljoniem pieprasījumu, meklējot modeļus, kas varētu liecināt par veselības aprūpes pakalpojumu sniedzēju krāpniecisku norēķinu praksi.
"Krāpšana veselības aprūpē Amerikas nodokļu maksātājiem izmaksā aptuveni 300 miljardus dolāru gadā," man stāsta Dr. Markuss Džonsons, Anthem galvenais analītikas vadītājs. "Mūsu sistēmas ir palīdzējušas identificēt vairākus organizētus krāpšanas tīklus, kas darbojas vairākās valstīs. Vienā gadījumā mēs atradām klīniku tīklu, kas izrakstīja rēķinus par procedūrām, kas nekad netika veiktas, potenciāli ietaupot simtiem miljonu krāpnieciskos pieprasījumos."
Veselības apdrošināšanas pakalpojumu sniedzējā Anthem mākslīgā intelekta sistēmas katru dienu skenē miljoniem pieprasījumu, meklējot modeļus, kas varētu liecināt par veselības aprūpes pakalpojumu sniedzēju krāpniecisku norēķinu praksi.
"Krāpšana veselības aprūpē Amerikas nodokļu maksātājiem izmaksā aptuveni 300 miljardus dolāru gadā," man stāsta Dr. Markuss Džonsons, Anthem galvenais analītikas vadītājs. "Mūsu sistēmas ir palīdzējušas identificēt vairākus organizētus krāpšanas tīklus, kas darbojas vairākās valstīs. Vienā gadījumā mēs atradām klīniku tīklu, kas izrakstīja rēķinus par procedūrām, kas nekad netika veiktas, potenciāli ietaupot simtiem miljonu krāpnieciskos pieprasījumos."
Privātuma dilemma
Šo sistēmu efektivitāte ir saistīta ar sarežģītiem privātuma jautājumiem. Vairāk datu nozīmē labāku krāpšanas atklāšanu, bet arī lielāku ļaunprātīgas izmantošanas potenciālu.
"Vienmēr pastāv spriedze starp drošību un privātumu," atzīst Jeļena Vasiļjeva, privātuma aizstāve, kura iepriekš strādāja pie krāpšanas atklāšanas sistēmām American Express. "Tās pašas metodes, kas var atklāt krāpšanu, var tikt izmantotas arī uzraudzībai. Mums jābūt uzmanīgiem attiecībā uz to, cik daudz informācijas mēs apkopojam un kā mēs to izmantojam."
Daži uzņēmumi pēta tādas metodes kā federatīvā mācīšanās, kas ļauj apmācīt mākslīgā intelekta modeļus vairākos datu avotos, necentralizējot sensitīvu informāciju. Citi iegulda homomorfā šifrēšanā, kas ļauj analizēt šifrētus datus, tos vispirms neatšifrējot.
"Vienmēr pastāv spriedze starp drošību un privātumu," atzīst Jeļena Vasiļjeva, privātuma aizstāve, kura iepriekš strādāja pie krāpšanas atklāšanas sistēmām American Express. "Tās pašas metodes, kas var atklāt krāpšanu, var tikt izmantotas arī uzraudzībai. Mums jābūt uzmanīgiem attiecībā uz to, cik daudz informācijas mēs apkopojam un kā mēs to izmantojam."
Daži uzņēmumi pēta tādas metodes kā federatīvā mācīšanās, kas ļauj apmācīt mākslīgā intelekta modeļus vairākos datu avotos, necentralizējot sensitīvu informāciju. Citi iegulda homomorfā šifrēšanā, kas ļauj analizēt šifrētus datus, tos vispirms neatšifrējot.
Raugoties nākotnē
Kad rītausmā atstāju Western Union komandcentru, Maija Patela ir veiksmīgi bloķējusi aizdomīgos darījumus un iesniegusi ziņojumu FIB kibernoziegumu apkarošanas nodaļai. Sistēma jau ir atjauninājusi savus modeļus, lai atpazītu šo konkrēto krāpšanas modeli.
Nākamā krāpšanas atklāšanas robeža ietver kvantu skaitļošanu un izskaidrojamu mākslīgo intelektu — sistēmas, kas var ne tikai atklāt krāpšanu, bet arī skaidri izskaidrot, kāpēc tās ir atzīmējušas konkrētu darījumu. Šī pārredzamība būs izšķiroša, jo noteikumi par mākslīgā intelekta lēmumu pieņemšanu kļūs stingrāki.
"Pirms desmit gadiem mēs centāmies panākt," Maija man saka, ejot uz liftu. "Tagad mēs sākam apsteigt krāpniekus. Bet tā nav cīņa, ko mēs nekad pilnībā neuzvarēsim. Kamēr vien būs iespējams nopelnīt naudu, cilvēki mēģinās apmānīt sistēmu."
Viņa ietur pauzi, pirms piebilst: "Labā ziņa ir tā, ka mūsu rīki katru dienu uzlabojas. Un atšķirībā no krāpniekiem mēs varam dalīties ar informāciju visā nozarē. Katrs uzbrukums padara mūs visus stiprākus."
Tā kā digitālo darījumu apjoms un sarežģītība turpina pieaugt, šis neredzamais mākslīgā intelekta aizsardzības vairogs kļūs tikai svarīgāks. Nākamreiz, kad jūsu kredītkaršu kompānija nosūtīs īsziņu, lai verificētu neparastu pirkumu, atcerieties: tā ir tikai tehnoloģiskā aisberga redzamā daļa, kas klusībā aizsargā jūsu finansiālo dzīvi visu diennakti.
Vai mākslīgā intelekta krāpšanas atklāšanas sistēmas galu galā padarīs finanšu krāpšanu par pagātni? Vai arī mēs vienmēr būsim iesprostoti šajā digitālajā kaķa un peles spēlē ar arvien sarežģītākiem uzbrukumiem un aizsardzību? Viens ir skaidrs — finansiālās drošības nākotni tikpat lielā mērā veidos koda rindas, cik cilvēki, kas tās raksta.
Nākamā krāpšanas atklāšanas robeža ietver kvantu skaitļošanu un izskaidrojamu mākslīgo intelektu — sistēmas, kas var ne tikai atklāt krāpšanu, bet arī skaidri izskaidrot, kāpēc tās ir atzīmējušas konkrētu darījumu. Šī pārredzamība būs izšķiroša, jo noteikumi par mākslīgā intelekta lēmumu pieņemšanu kļūs stingrāki.
"Pirms desmit gadiem mēs centāmies panākt," Maija man saka, ejot uz liftu. "Tagad mēs sākam apsteigt krāpniekus. Bet tā nav cīņa, ko mēs nekad pilnībā neuzvarēsim. Kamēr vien būs iespējams nopelnīt naudu, cilvēki mēģinās apmānīt sistēmu."
Viņa ietur pauzi, pirms piebilst: "Labā ziņa ir tā, ka mūsu rīki katru dienu uzlabojas. Un atšķirībā no krāpniekiem mēs varam dalīties ar informāciju visā nozarē. Katrs uzbrukums padara mūs visus stiprākus."
Tā kā digitālo darījumu apjoms un sarežģītība turpina pieaugt, šis neredzamais mākslīgā intelekta aizsardzības vairogs kļūs tikai svarīgāks. Nākamreiz, kad jūsu kredītkaršu kompānija nosūtīs īsziņu, lai verificētu neparastu pirkumu, atcerieties: tā ir tikai tehnoloģiskā aisberga redzamā daļa, kas klusībā aizsargā jūsu finansiālo dzīvi visu diennakti.
Vai mākslīgā intelekta krāpšanas atklāšanas sistēmas galu galā padarīs finanšu krāpšanu par pagātni? Vai arī mēs vienmēr būsim iesprostoti šajā digitālajā kaķa un peles spēlē ar arvien sarežģītākiem uzbrukumiem un aizsardzību? Viens ir skaidrs — finansiālās drošības nākotni tikpat lielā mērā veidos koda rindas, cik cilvēki, kas tās raksta.
