چگونه Stripe از AI برای تقویت تشخیص کلاهبرداری از '۵۹ -۹۷ ٪ یک شبه استفاده کرد

یک وزوز چند ساله در مورد هوش مصنوعی تقریباً در هر قسمت از فعالیت های یک شرکت وجود دارد. با این حال ، اگر هوش مصنوعی بتواند به جلوگیری از سناریوهایی که به افرادی که بیشترین صدمه را آسیب می زنند ، کمک کند ، برخی از ارزشمندترین و ملموس ترین نتایج حاصل می شود: از دست دادن پول.

استفاده Stripe از هوش مصنوعی برای تقویت تشخیص کلاهبرداری و افزایش اقدامات امنیتی یک مطالعه موردی مهم در مورد چگونگی استفاده از هوش مصنوعی در پردازش پرداخت است ، به خصوص با توجه به مقیاس کار شرکت ، با مشتریانی مانند Openai ، Amazon ، Google ، Apple و موارد دیگر.

این شرکت در محصول اصلی Stripe Sessions که ماه گذشته برگزار شد ، این شرکت مدل بنیاد پرداخت را به عنوان بخشی از تلاش های خود برای تقویت تشخیص کلاهبرداری و تقویت امنیت اعلام کرد. Stripe همچنین آن را به عنوان “اولین مدل بنیادی جهان که برای پرداخت ها ساخته شده است” مورد توجه قرار داد.

این مدل بنیاد موفقیت شرکت را در شناسایی آزمایش کارت برجسته کرد ، که در آن بازیگران بد سعی می کنند تعیین کنند که آیا اطلاعات کارت سرقت شده معتبر است تا بتوانند از آن برای خرید استفاده کنند.

Stripe یک “مدل بنیاد پرداخت” مبتنی بر ترانسفورماتور ساخت

گاتهام کیدیا ، که رهبری یادگیری ماشین کاربردی را در Stripe انجام می دهد ، در یک پست LinkedIn در مورد روش شرکت توضیح داده شده است.

Kedia نشان داد که در حالی که مدل های یادگیری ماشین استاندارد به Stripe کمک کرده اند تا کلاهبرداری را کاهش دهند ، هرکدام برای فعالیت هایی مانند مجوز ، تشخیص کلاهبرداری ، وضوح اختلاف و موارد دیگر نیاز به آموزش خاص دارند.

کدی توضیح داد: “با توجه به قدرت یادگیری معماری های ترانسفورماتور عمومی ، ما از این سوال پرسیدیم که آیا یک رویکرد به سبک LLM می تواند در اینجا کار کند. بدیهی نیست که این کار می تواند از بعضی جهات مانند زبان باشد.”

از این رو ، این شرکت تصمیم به ایجاد یک مدل پرداخت بنیادی گرفت-یک الگوی خودکارد شده که می آموزد “بردارهای متراکم و هدفمند برای هر معامله ، دقیقاً مانند یک مدل زبانی که کلمات را تعبیه می کند”. گفته می شود که این مدل در ده ها میلیارد معاملات آموزش داده می شود و سیگنال های کلیدی بار را در یک تعبیه واحد قرار می دهد.

“شما می توانید نتیجه را به عنوان توزیع گسترده پرداخت ها در یک فضای بردار با ابعاد بالا فکر کنید. محل هر تعبیه داده های غنی را ضبط می کند ، از جمله اینکه چگونه عناصر مختلف با یکدیگر ارتباط دارند.”

کیدیا در ادامه توضیح داد که پرداخت با ویژگی های مشترک به طور طبیعی با هم گروهی می شود. به عنوان مثال ، معاملات از همان صادرکننده کارت خوشه بندی شده است ، مواردی که از همان بانک هستند حتی نزدیکتر هستند و پرداخت با استفاده از همان آدرس ایمیل تقریباً قابل تشخیص نیست.

وی در ادامه اظهار داشت که این “تعبیه های غنی” باعث می شود الگوهای معاملاتی متضاد و مخالف را آسان تر کنند و طبقه بندی کنندگان دقیق تر را بر اساس ویژگی های پرداخت فردی و رابطه آن با سایر پرداخت ها در دنباله بسازند.

در دو سال گذشته ، این شرکت ۸۰ ٪ آزمایش کارت را برای کاربران در نوار کاهش داده است. با این حال ، حملات پیچیده تر ، جایی که آزمایش کنندگان کارت الگوهای حمله جدید را در حجم بزرگترین شرکت ها پنهان می کنند ، تشخیص آنها را با روشهای سنتی دشوار می کند.

وی گفت: “ما یک طبقه بندی ایجاد کردیم که توالی تعبیه ها را از مدل پایه و اساس مصرف می کند و پیش بینی می کند که آیا قطعه ترافیک تحت حمله قرار دارد یا خیر.” کیدیا افزود که این کار در زمان واقعی کار می کند تا Stripe بتواند حملات را قبل از برخورد به مشاغل مسدود کند.

“این رویکرد باعث افزایش میزان تشخیص ما برای حملات آزمایش کارت به کاربران بزرگ از ۵۹ ٪ به ۹۷ ٪ در طول شب شد.”

وی همچنین گفت که موفقیت استریپ ممکن است نشان دهد که فعالیت های پرداخت حاوی معنای معنایی است. وی گفت: “دقیقاً مانند کلمات در یک جمله ، معاملات دارای وابستگی های متوالی پیچیده و تعامل با ویژگی های نهفته هستند که به سادگی نمی توانند توسط مهندسی ویژگی های دستی اسیر شوند.”

Kedia همچنین یک جدول با مقایسه عملکرد مدل بنیادی خود Stripe و مدل های یادگیری ماشین “فعلی” به اشتراک گذاشت.

Stripe همچنین ۶ میلیارد دلار در معاملات قانونی که رد شد ، بازیابی کرد

نکته قابل توجه ، این شرکت همچنین از استفاده از هوش مصنوعی برای جلوگیری از معاملات اضافی و شناسایی اینکه معاملات در واقع باید دوباره انجام شود ، گزارش داد.

جان Affaki ، رهبری تجارت پرداخت در Stripe ، در یک پست وبلاگ نوشت: “این منجر به بیش از ۶ میلیارد دلار معاملات مشروعیت کاهش یافته برای کاربران ما در سال ۲۰۲۴ شد. مبلغ رکوردی.”

این شرکت اظهار داشت که این مسئله را از طریق محصول خود ، پذیرش تطبیقی ​​، که از AI برای شناسایی خودکار معاملات به دروغ کاهش یافته استفاده می کند ، حل کرده است.

استریپ گفت که می تواند الگوهای مختلفی را در داده های معامله تشخیص دهد ، که نشان می دهد پرداخت قانونی به اشتباه توسط صادرکنندگان به عنوان مشکوک به کلاهبرداری رد شد.

پیش از این ، Stripe از یک مدل درخت شیب دار ، XGBoost استفاده می کرد ، اما سپس به یک شبکه عصبی عمیق مبتنی بر Tabtransformer منتقل می شد ، که این شرکت آن را Tabtransformer+می نامد. این شرکت اظهار داشت: “این سیستم در مدل سازی تعامل پیچیده بین صدها عامل تأثیرگذاری بر موفقیت معامله ، برتری دارد.”

در ادامه اظهار داشت که معماری جدید همچنین دارای تعبیه شده با ابعاد بالا است که الگوهای پرداخت را نقشه می کنند و مدل را قادر می سازد تا سیگنالهایی را که بر نتایج پرداخت تأثیر می گذارد ، ضبط و تجزیه و تحلیل کند. این به این مدل اجازه می دهد تا “تصمیمات ظریف تری” اتخاذ کند که معاملات کاهش یافته و چگونه می توان آنها را برای یک فرصت تأیید بالاتر تنظیم کرد.

این شرکت گفت: “بر اساس این پیشرفت ها ، مدل AI جدید پذیرش Adaptive 70 ٪ در شناسایی معاملات قانونی که به طور دروغ کاهش یافته اند ، به ۷۰ ٪ دقت بیشتری می رسد. این افزایش دقت به ما امکان می دهد درآمد بیشتری را نسبت به سال گذشته در حالی که ۳۵ درصد تلاش های مجدد را کاهش می دهد ، بازیابی کنیم.”

علاوه بر این ، رادار ابزار پیشگیری از کلاهبرداری Stripe با قابلیت تأیید اعتبار خودکار به روز شد. هم اکنون می تواند 3DS ، لایه امنیتی اضافی Stripe را ایجاد کند تا جریان احراز هویت دو عاملی را فعال کند. Stripe همچنین گفت که از یک مدل چند منظوره جدید و یک لایه تصمیم گیری پشتیبانی می شود و کاربران اولیه شاهد کاهش ۳۰ درصدی کلاهبرداری در انتقال واجد شرایط هستند.

همه موارد در نظر گرفته شده ، هوش مصنوعی به طور گسترده در صنعت پردازش پرداخت استفاده می شود. چندین غول پیشرو جهانی ، از جمله Razorpay ، رقیب Stripe ، از هوش مصنوعی برای مقابله با تأخیر در پرداخت مشتری ، ساده سازی تنظیم دروازه های پرداخت و کاهش مشکل بازگشت به منزل استفاده می کنند.