Pre nekoliko godina, turista u Meksiku koristio je svoju kreditnu karticu za podizanje gotovine sa bankomata. Kada se vratio kući i pogledao izvod iz kartice, video je da je kartica korišćena i za kupovinu nekoliko komada nakita. Ovo je bilo čudno: ne samo da nije ništa kupio karticom na odmoru, transakcija se dogodila pet minuta nakon podizanja novca na bankomatu — u prodavnici na drugom kraju zemlje.

Srećom, nakon pregleda njegovog slučaja, tim u njegovoj banci složio se da - iako njihovi alati za otkrivanje prevara AI nisu označili kupovinu kao sumnjivu - bilo je malo verovatno da je sam kupio nakit, pa su vratili kupovinu. Dok su kopali dalje, tim je utvrdio da su prevaranti verovatno ukrali podatke o njegovoj kreditnoj kartici čitaču skrivenom u bankomatu i poslali ih saučesniku na suprotnoj obali.

Lakoća, brzina i anonimnost modernih plaćanja dovela je do ovakvih šema prevare na skali koja je nemoguće za ljude da održe korak sa. Srećom, ne moraju, jer AI aplikacije sada nadgledaju svaku transakciju i prate celu mrežu kartica radi napada. Ovi AI modeli sortiraju podatke efikasnije nego što bi bilo koji čovek mogao.

Mastercard već godinama koristi veštačku inteligenciju za otkrivanje prevare i trenutno ga koristi za obezbeđivanje više od 159 milijardi transakcija godišnje, sprečavajući milijarde dolara gubitaka od prevare. Prošle godine Mastercard je kupio Recorded Fut ure, koji koristi AI za analizu miliona tačaka podataka dnevno, identifikujući obrasce i anomalije koje signaliziraju potencijalne pretnje.

Ali koliko god ljudima treba AI, AI takođe treba ljudi. Dok automatizovani alati rade težak posao, da bi rezultati bili korisni, programeri moraju kontinuirano pružati kontekst iz stvarnog života - identifikujući nove vrste prevare, određujući kako da je spreče bez ometanja veće mreže i programiranjem novih pravila u algoritam. Ovaj ljudski doprinos je ono što sirovu veštačku inteligenciju pretvara u relevantnu i praktičnu inteligenciju.

Kako modeli veštačke inteligencije i mašinskog učenja postaju sve moćniji, primamljivo je verovati da sama tehnologija može nadmašiti današnje sajber kriminalce, kaže Johan Gerber iz Mastercarda, globalni šef bezbednosnih rešenja. „Ali iza svakog upozorenja, anomalije ili označene transakcije stoji ključni, inkrementalni sloj koji algoritmi ne mogu da repliciraju: ljudsko prosuđivanje. Kada se ljudska procena kombinuje sa AI, to je ono što ga čini zaista efikasnim i osigurava da ostane odgovoran. "

Iako je AI dizajniran da razazna suptilne obrasce u nizu podataka, nije uvek opremljen za rukovanje odstupanjima. Bez ljudskog nadzora, neočekivani događaji mogu izazvati propuštene pretnje, lažne alarme i druga izobličenja.

„Čak i sa ovim moćnim alatima, i dalje su vam potrebni ljudi“, kaže Vince Haulotte, direktor za isporuku tržišta u Mastercardovom poslovanju sa prevarama i odlučivanjem o rizicima. „Morate koristiti zrno soli i uzeti u obzir kontekst da biste bili sigurni da je odgovor AI efikasan.“

Na primer, AI sistemi su nadgledali upotrebu putnikove kreditne kartice tokom njegovog odmora u Meksiku. Ali veštačkoj inteligenciji je bio potreban čovek da mu kaže da postoji nešto smešno u vezi sa dve transakcije u brzom uzastopu na suprotnim stranama zemlje, i da mu je potreban čovek koji će mu pokazati kako treba paziti na slične incidente u budućnosti.

Da bi se sprečilo da ova prevara utiče na druge kupce, Haulotte, tada programer koji radi na Brighterion AI platformi, stvorio je novo pravilo koje bi označilo geografski nemoguće transakcije. Brighterion prati transakcije kreditnim karticama u realnom vremenu, 24/7, i ocenjuje ih na osnovu toga koliko izgledaju rizično; kada je transakcija označena kao potencijalno lažna, sistem odmah obaveštava banku korisnika kartice. (Svaka banka može prilagoditi prag rezultata za preduzimanje akcije, kao što je slanje upozorenja ili čak odbijanje transakcije.) 

Safeti Net, još jedan Mastercard proizvod, koristi AI za nadgledanje čitave mreže kartica radi znakova napada. Na primer, ako je veb lokacija preplavljena hiljadama novih naloga u kratkom periodu, to bi moglo biti zato što prevaranti šalju neželjenu poštu veb lokaciju kako bi pogodili važeće brojeve kartica grubom silom.

Naravno, AI model to ne zna; ne može nužno da razume finije detalje ljudskog ponašanja. Kao rezultat toga, takođe može podići crvenu zastavu kada uspešna promocija - ili, recimo, Ciber ponedeljak - izazove porast prometa na veb lokaciji. Prepoznavanje razlike je mesto gde ljudi dolaze.

„Sa porastom takvih stvarnih transakcija, udružiću se sa menadžerom naloga kako bih razumeo šta se dešava i uspostavio mere predostrožnosti kako bih sprečio lažne alarme“, kaže Brett Thomson, direktor razvoja proizvoda u Safeti Net-u. „Morate dati AI neki smer.“

Budući da se kriminalne strategije stalno razvijaju, ljudska stručnost je takođe od suštinskog značaja za identifikaciju novih pretnji i određivanje kako ih zaustaviti. Čim prevaranti shvate da njihove strategije više ne funkcionišu, oni osmišljavaju nove šeme. Ali pošto je AI obučen na prošlim podacima, alati za praćenje ne uočavaju uvek ove nove obrasce odmah. Dakle, na ljudskim programerima je da ažuriraju i obuče algoritme u tekućoj igri mačke i miša.

„Nakon što unesemo ublažavanje, oni će promeniti svoju strategiju. Tada ćemo primetiti tu strategiju i dodati novo ublažavanje „, kaže Thomson. „To je konstanta napred-nazad, svako od nas posmatra kako drugi reaguje na sledeći razvoj.“

Ova nemilosrdna dinamika osigurava da Thomson, Haulotte i njihove kolege širom industrije ostanu ključni igrači u borbi protiv prevare.

„Stalno sam iznenađen drskošću i maštom prevaranata“, kaže Haulotte. „Uvek postoje novi trendovi prevara, tako da moramo nastaviti da gradimo nova rešenja kako bismo ostali ispred njih. Naš posao nikada ne prestaje.“