Интеллектуальный анализ данных

Антифрод-сервис

Сервис определяет, является ли пользователь интернет-ресурса мошенником (взломщиком). В основе работы сервиса лежат методы искусственного интеллекта, которые анализируют поведенческие особенности и другие характеристики посетителя веб-ресурса (например, интернет-магазина), сравнивают их с типичной моделью поведения и определяют, следует ли заблокировать действия пользователя или позволить ему продолжить работу.

Для кого Интернет-магазины, онлайн-сервисы
Технологии big data, нейронные сети
О ПРОЕКТЕ

Антифрод-сервис

Фродом называют вид мошенничества в области информационных технологий, например, взлом аккаунтов пользователей или неправомерное пользование ресурсами и услугами. 

Разработанный нами сервис определяет, является ли текущий пользователь мошенником. В основе работы сервиса лежат методы искусственного интеллекта, которые анализируют поведенческие особенности и другие характеристики посетителя веб-ресурса (например, интернет-магазина), сравнивают их с типичной моделью поведения и определяют, следует ли заблокировать действия пользователя или позволить ему продолжить работу. 

Сервис работает по принципу SaaS. Размещается в облаке и подключается к интернет-ресурсу заказчика. 

Ценность для заказчика

Владельцы веб-ресурсов, включающих в себя личные кабинеты пользователей (интернет-магазины, цифровые сервисы) регулярно сталкиваются с фактами мошенничества: например, аккаунты легальных пользователей взламывают и используют для противоправных действий. Такие инциденты несут в себе как репутационные, так и финансовые риски.

Для защиты от таких ситуаций веб-ресурсы усложняют правила авторизации, что с одной стороны усиливает степень защиты, с другой стороны – увеличивает путь клиента до целевого действия и снижает число продаж. Кроме того, внедрение таких барьеров приводит к дополнительным затратам в виде стоимости СМС-сообщений или звонков пользователю для подтверждения действий.

Предложенный инструмент позволяет проанализировать, отличается ли поведение человека в данный момент времени от его обычного поведения, и инициировать дополнительные проверки только в том случае, когда вероятность мошенничества высока.

Функции и схема работы сервиса

  • Фиксация сессионных и поведенческих характеристик пользователей сервиса (не затрагивающая его персональных данных)
  • Определение вероятности того, что текущую сессию совершает не владелец аккаунта, а мошенник.
  • Формирование и предоставление сводных и детальных отчетов.

Технология реализации

В основе работы сервиса лежит интеллектуальный анализ данных. Для построения сервиса методами машинного обучения и с применением нейронные сетей были проанализированы данные о миллионах сессий пользователей (легальных и мошеннических), выявлены устойчивые шаблоны и закономерности, позволяющие с высокой точностью определять фрод. Использование комбинации методов искусственного интеллекта, различных правил и критериев позволяет с эффективно выявлять злоумышленников. Для поведенческого анализа также применяются методы исследования курсорного и клавиатурного почерка.

Предложение потенциальным потребителям

В настоящий момент продукт находится в стадии опытной эксплуатации. Приглашаем владельцев веб-ресурсов, заинтересованных в защите от фрода, к взаимовыгодному сотрудничеству по внедрению и развитию продукта.

Исследования

В основе работы сервиса лежит наукоемкая технология фильтрации, разработанная сотрудниками Центра искусственного интеллекта. Некоторые из научных результатов представлены в публикациях по теме проекта:

  1. Marakhtanov A.G., Parenchenkov E.O., Smirnov N.V. Detection of Fictitious Accounts Registration [Electronic resource] / A.G. Marakhtanov, E.O. Parenchenkov , N.V. Smirnov // 2021 International Russian Automation Conference (RusAutoCon 2021), Sochi, Russia. - IEEE, 2021. - P.226 - 230. doi: 10.1109/RusAutoCon52004.2021.9537341 (Scopus)
  2. Марахтанов А. Г., Паренченков Е. О., Смирнов Н. В. Определение электронного мошенничества методами машинного обучения в случае несбалансированного набора данных / А.Г. Марахтанов, Е.О. Паренченков, Н.В. Смирнов // Вестник ПНИПУ. Электротехника, информационные технологии, системы управления. - Пермь, 2020. - №36. - С.80-95. (ВАК, РИНЦ)
  3. Марахтанов А.Г., Паренченков Е.О., Смирнов Н.В. Применение методов машинного и глубокого обучения для аутентификации пользователей по курсорному почерку [Электронный ресурс] / А.Г. Марахтанов, Е.О. Паренченков, Н.В. Смирнов // Материалы XV всероссийской научно-практической конференции "Цифровые технологии в образовании, науке, обществе". - Петрозаводск, 2021. - С.71-73. - Режим доступа: https://it2021.petrsu.ru/. (РИНЦ)
  4. Марахтанов А. Г., Паренченков Е. О., Смирнов Н. В. Задача обнаружения электронного мошенничества в случае сильно несбалансированного набора данных. [Электронный ресурс] / А. Г. Марахтанов, Е. О. Паренченков, Н. В. Смирнов // Материалы XIV всероссийской научно-практической конференции "Цифровые технологии в образовании, науке, обществе". – Петрозаводск, 2020. – С. 93–97. URL: https://it2020.petrsu.ru/doc/it2020.pdf. – (06.12. 2020) (РИНЦ)