Ускорение цифровой трансформации увеличило подверженность онлайн-мошенничеству и мошенничеству, и, согласно новому отчету Grand View Research, рост числа случаев — будь то мошенничество с мобильными платежами, фишинг по электронной почте или мошенничество с картами — увеличивает последующее влияние на бизнес и последующие финансовые потери.
Опрос PwC показал, что в 2020 году около 49% компаний столкнулись с мошенничеством на сумму $42 млрд убытков, а стоимость мошенничества для банков выросла на 17% с 2019 года. Эта реальность увеличивает инвестиции компаний в обнаружение мошенничества. и профилактики (FDP).
Потребители взаимодействуют с бизнесом через несколько цифровых точек соприкосновения, а цифровые платформы и системы онлайн-банкинга, которые их поддерживают, сложны, из-за чего платформы страдают от медленности, неэффективности и дороговизны. Для этих платформ обнаружения и предотвращения мошенничества требуется системная архитектура, разработанная с учетом принципов надежности, включая скорость, эффективность и экономичность. Традиционные модели не могут обнаружить мошенничество в связи с растущим объемом транзакций. Время — деньги, и миллисекунды имеют большое значение при попытке обнаружить и предотвратить мошенничество — скорость — это старший бит и важный первый принцип.
Что мы подразумеваем под первыми принципами? Первые принципы — это основополагающие положения или допущения, которые стоят особняком. Следовательно, нельзя вывести первые принципы из какого-либо другого положения или предположения. Эти принципы устанавливают фундаментальную основу, и на их основе одна организация может создавать новые решения для решения сложных проблем. В контексте обнаружения и предотвращения мошенничества скорость является первым принципом. Существуют и другие принципы, такие как согласованность данных, точность модели, сквозная безопасность и простота архитектуры, но обнаружение и предотвращение мошенничества требует быстрой вычислительной обработки.
Благодаря современным программным платформам транзакции выполняются почти мгновенно, но при той же скорости обработки, которая обеспечивает удобство для клиентов, у банков и платежных систем остается меньше времени на выявление мошенничества и реагирование на него. Ежегодно компании теряют десятки миллиардов долларов из-за мошенничества в виде штрафов, расчетов и подрыва доверия и лояльности клиентов, лежащих в основе индустрии финансовых услуг. А возросшая сложность, объем и скорость современных онлайн-транзакций означают, что организациям потребуются более совершенные методы обнаружения мошенничества, чтобы не отставать от злоумышленников.
В отрасли существует множество примеров компаний, успешно внедряющих в свои цифровые платформы точные и быстрые системы обнаружения и предотвращения мошенничества. Например, PayPal создала службу данных, которая эффективно использует конвейеры данных в режиме реального времени для принятия точных решений при обнаружении мошенничества. Базовая система обрабатывает миллиарды событий в день и поддерживает десятки петабайт данных. Аналогичным образом группа управления рисками DoorDash использует модели машинного обучения для защиты платежей, предотвращая убытки от мошенничества на тысячи долларов в день с повышением эффективности в два-три раза.
Принимая во внимание эти примеры, а также многие другие примеры из отрасли, способность обнаруживать и предотвращать мошенничество в режиме реального времени является ключевым отличием. Что важнее всего при разработке платформы реального времени для борьбы с мошенничеством? Работая с несколькими клиентами, мы определили три конкретных области, которые имеют большое значение. Во-первых, это возможность обновлять цифровые удостоверения в режиме реального времени. Во-вторых, использование моделей ИИ для повышения точности и скорости обнаружения. И, в-третьих, использование высокоскоростного статистического анализа для снижения затрат. Должна быть базовая технология, которая может удовлетворить эти конкретные потребности, а также предложить разработчику необходимый опыт и гибкость при активации этих возможностей. Именно здесь можно рассмотреть Redis Enterprise. Давайте расширим каждую из этих трех возможностей.
Обновляйте цифровые удостоверения в режиме реального времени
Поскольку потребители ожидают оперативного цифрового взаимодействия, важно обновлять цифровые удостоверения в режиме реального времени, чтобы обеспечить беспрепятственный потребительский опыт. Идентификация пользователя может меняться на основе различных входных данных, включая, например, геолокацию. На оценку потребителя могут повлиять подозрительные связи, которые они могут иметь, или связи с поддельными личностями. Поэтому базовая платформа должна выполнять поиск очень быстро, а затем выводить оценку риска на основе связей потребителя. И RedisSearch, и RedisGraph могут обеспечивать обновление удостоверений в режиме реального времени для получения точного профиля потребителя на определенный момент времени.
Повысьте точность и определение скорости с помощью моделей AI/ML
Обработка моделей ML значительно замедляется из-за разделения данных ML (например, функций) по отношению к моделям ML. Эта медлительность может повлиять на точность моделей мгновенного обнаружения мошенничества. В то время как в большинстве моделей машинного обучения используются предварительно рассчитанные функции, новые пользовательские данные требуют вычислений в реальном времени и обновлений, которые должны быть доставлены в онлайн-модели. Поскольку временное окно для этих оперативных обновлений короткое, чем быстрее они могут быть рассчитаны, сохранены и доставлены для удовлетворения требований прогнозов в реальном времени, тем точнее модели.
Модели машинного обучения и глубокого обучения должны быть ближе к данным. Для прогнозирования в реальном времени Redis можно использовать в качестве онлайн-функции, которая передает векторы функций в RedisAI, специализированный модуль, который обеспечивает возможность вывода о том, где данные находятся в Redis, для уменьшения задержки. Используя RedisGears, команды могут писать и выполнять функции, которые реализуют потоки данных в Redis, абстрагируясь от распределения и развертывания данных. А поскольку системы, основанные на правилах, основаны на моделях машинного обучения, важно беспрепятственно координировать потоки данных между выводами модели машинного обучения и данными, находящимися в памяти.
Сокращение затрат на обнаружение с помощью высокоскоростного статистического анализа
Поскольку компании сталкиваются с растущими объемами транзакций и нуждаются в дополнительной инфраструктуре для поддержки более высокого трафика, стоимость становится ключевой проблемой. Возможность обнаруживать аномалии путем наблюдения за историческими тенденциями и сравнения транзакций с известными шаблонами может помочь командам оптимизировать базовую платформу. Чтобы активировать эти возможности, RedisTimeSeries и RedisBloom предоставляют дополнительные возможности для достижения такого уровня операционной эффективности и, следовательно, экономии средств.
Объединяя все это
Такая технология, как Redis Enterprise, может объединить все эти возможности и использоваться специалистами по управлению рисками для поддержки обнаружения и предотвращения мошенничества в режиме реального времени в отношении цифровых удостоверений, статистического анализа, оценки рисков транзакций с помощью ИИ, обнаружения аномалий и многого другого. Организации могут использовать мультимодельную базу данных Redis в оперативной памяти для ускорения беспрепятственных онлайн-транзакций и сокращения числа ложных срабатываний без чрезмерного усложнения архитектуры предприятия или решений сторонних поставщиков.
В дополнение к Redis, поскольку новые и появляющиеся технологии продолжают влиять на многие отрасли и преобразовывать их, организации должны быть сосредоточены на том, чтобы позволить платформам реального времени соответствовать сценариям использования с малой задержкой, таким как мошенничество, рекомендации по продуктам, управление запасами и профилактическое обслуживание. . Возможности в режиме реального времени предлагают организациям конкурентное преимущество, а также решают как основные, так и конечные бизнес-цели.
Вы можете увидеть полную видео-презентацию Таймура ниже:
О Таймуре Рашиде
В качестве директора по развитию бизнеса Таймур отвечает за развитие новых направлений бизнеса в Redis Labs, а также за стратегическое развитие бизнеса и корпорации. В настоящее время он возглавляет инициативы, связанные с AI/ML. До Redis Labs Таймур руководил работой с клиентами по всему миру для платформы данных Microsoft Azure, аналитики и искусственного интеллекта. А до этого он был управляющим директором по платформенным технологиям и приложениям Amazon Web Services (AWS), где он руководил развитием бизнеса с 2008 года (почти с момента его создания) до 2018 года, когда бизнес достиг 25 миллиардов долларов в ARR. Таймур помог создать ряд ключевых партнеров и клиентов, включая Airbnb, CapitalOne, Dropbox, Liberty Mutual, NASA JPL, Nasdaq, Netflix, Nintendo, Intuit, SAP, Samsung и Societe Generale.
