Penipuan telah menjadi, secara halus, bisnis besar.
Ruang Fitur Kepala Operasional Tim Vanderham mengatakan kepada PYMNTS' Karen Webster dalam sebuah wawancara bahwa “bila Anda memikirkan tentang miliaran dan miliaran dolar yang berasal dari penipuan di seluruh dunia,” uang yang diperoleh dari keuntungan terlarang itu mengalahkan pendapatan beberapa bisnis terbesar di seluruh dunia.
Percakapan ini terjadi dengan latar belakang sebuah artikel dari The Wall Street Journal yang merinci kebangkitan “tempat penipuan,” yang pada dasarnya beroperasi sebagai pusat bisnis dengan pengaturan yang canggih, lengkap dengan departemen terpisah untuk melatih penipu, “mengikuti” korban yang tidak sadar dan KPI yang digunakan untuk menentukan apakah penipuan tertentu berhasil atau tidak.
Sepanjang jalan, penipu terbukti mahir menggunakan kecerdasan buatan untuk mengembangkan hubungan dan kepercayaan di pihak korbannya, memangsa emosi manusia dan membawa lari tabungan seumur hidup dan dana pensiun individu, menguras rekening bank mereka dengan kecepatan yang tak tahu malu, terutama melalui pembayaran push yang sah.
Di Amerika Serikat saja, kata Vanderham, penipuan senilai $2,7 miliar yang dilaporkan beberapa tahun lalu hanya mewakili sebagian kecil dari jumlah sebenarnya — sebagian besar karena orang malu melaporkan bahwa mereka telah menjadi korban penipuan yang tidak bermoral. Sementara itu, sindikat kejahatan menggunakan dana yang dicuri untuk membiayai kejahatan lain seperti perdagangan manusia dan perdagangan narkoba.
Kecerdasan Buatan (AI) Versus Kecerdasan Buatan (AI)
Bank dan penyedia layanan yang bertugas memerangi penipu menghadapi tantangan saat menggunakan AI untuk, ya, melawan AI.
“Mereka tidak terikat oleh kriteria yang sama dalam hal memanfaatkan AI dan pembelajaran mesin,” kata Vanderham.
Lembaga keuangan (LK) terikat oleh masalah etika dan serangkaian peraturan yang berkembang pesat itu adalah masih dibahas lebih lanjut.
Namun, data yang melintasi sistem layanan keuangan setiap hari, dan pendekatan kolaboratif untuk memanfaatkan dan menganalisis data tersebut dapat sangat membantu dalam memodelkan seperti apa “perilaku manusia yang sebenarnya” — membangun profil dari tren dan transaksi individu, katanya.
Model-model Featurespace menggunakan analisis perilaku dan kolaborasi untuk memahami, misalnya, bagaimana perilaku transaksional seorang konsumen individu di London mungkin berbeda dari individu lain yang tinggal di Afrika Selatan — atau mengungkap apakah transaksi baru ke Hong Kong mungkin merupakan tanda bahaya jika berasal dari seseorang yang belum pernah bertransaksi di sana sebelumnya, kata Vanderham.
Data tersebut “membantu bank dan lembaga keuangan mengatasi tanda-tanda peringatan tersebut,” kata Vanderham, yang pada gilirannya mendorong pendidikan dan pemeriksaan realitas bagi pengguna akhir sehingga mereka dapat menjalani validasi ekstra untuk memastikan bahwa transaksi tersebut beralasan dan berjalan sesuai tujuan.
Featurespace telah berinvestasi dalam algoritma canggih untuk mendukung upaya pencegahan penipuan. Tahun lalu, perusahaan meluncurkan TallierLTMyang pertama di dunia model transaksi besaryang menggunakan AI generatif untuk meningkatkan deteksi nilai penipuan hingga 71%.
“Apa AI terbuka dilakukan seputar bahasa dan kata-kata, kami ciptakan untuk lingkungan pembayaran — memodelkan seperti apa perilaku dan transaksi sebenarnya,” kata Vanderham.
Sangat penting bagi sektor publik dan swasta untuk bekerja sama membantu regulasi dan teknologi berkembang.
“Kami harus memastikan bahwa kami menggunakan algoritma data canggih dan pembelajaran mesin atas data ini untuk memerangi penipuan dan melakukan segala yang kami bisa untuk memungkinkan konsumen bertransaksi lebih bebas,” kata Vanderham.
Seperti yang ia sampaikan kepada Webster, “Kami siap melawan penipu ini — untuk menyingkirkan mereka, dan mengalahkan mereka di permainan mereka sendiri” dengan AI dan pembelajaran mesin sebagai dua lini pertahanan (dan serangan) yang paling menonjol terhadap para penjahat semacam itu.