چگونه موتور پالس زیرساخت جلوگیری از تقلب را مستقر می‌کند که یاد می‌گیرد --- متدولوژی کامل برای شرکت‌های پرداخت با حجم سالانه 50 تا 500 میلیون دلار

رئیس بخش ریسک در یک تسهیل‌کننده پرداخت با ارزش 180 میلیون دلار، سیستم تشخیص تقلب را به ارث برد که بر اساس 2400 قانون انباشته شده در طول هشت سال ساخته شده بود. هیچ‌کدام از اعضای تیم فعلی بیشتر این قوانین را ننوشته بودند. هیچ‌کس نمی‌توانست توضیح دهد که چرا قانون 847 تراکنش‌های مربوط به فروشندگان مبلمان بالای 2200 دلار را در روزهای سه‌شنبه پرچم‌گذاری می‌کرد - احتمالاً این الگویی بود که یک بار در سال 2019 ظاهر شد، منجر به ایجاد یک قانون شد و هرگز اعتبار سنجی یا حذف نشد. این سیستم ماهانه 14000 هشدار تولید می‌کرد. تیم تحقیق متشکل از چهار تحلیلگر می‌توانستند 900 مورد را به طور معنی‌داری بررسی کنند. 13100 مورد دیگر توسط یک الگوریتم امتیازدهی که خود بر اساس قوانین نوشته شده سه سال پیش بود و هرگز کالیبره نشده بود، اولویت‌بندی می‌شدند.

تقلب‌هایی که سیستم کشف می‌کرد، واقعی بودند - تقریباً 40000 دلار در ماه از تقلب‌های تأیید شده از هشدارهای بررسی شده. تقلب‌هایی که سیستم از دست می‌داد، طبق تعریف ناشناخته بودند، اما نسبت برگشت هزینه سالانه نشان می‌داد که این مقدار چندین برابر چیزی بود که کشف می‌شد. نرخ مثبت کاذب بر اساس یافته‌های تیم تحقیق بین 60 تا 70 درصد تخمین زده شد - به این معنی که از 900 هشدار بررسی شده در هر ماه، تقریباً 270 تا 360 مورد تقلب تأیید شده بود و مابقی تراکنش‌های قانونی بودند که به اشتباه پرچم‌گذاری شده بودند. تیم تحقیق بیشتر ظرفیت خود را صرف پاکسازی مثبت‌های کاذب می‌کرد تا بررسی تقلب‌های واقعی.

استقرار Pulse Engine سیستم 2400 قانون قدیمی را با معماری پنج عامل (agent) در 28 روز جایگزین کرد. ظرف 90 روز از عملیات تولید، عوامل هر تراکنش را در زمان واقعی پردازش کردند، حجم هشدارهای ماهانه را از 14000 به 3200 کاهش دادند، نرخ کشف تقلب تأیید شده را 340 درصد افزایش دادند و نرخ مثبت کاذب را به زیر 15 درصد کاهش دادند. تیم تحقیق از غرق شدن در سر و صدا به تمرکز صرف بر روی مواردی که اهمیت داشتند، تغییر یافت. هزینه استقرار در حدود چند ده هزار دلار در ماه اول از خسارات تقلب جلوگیری شده بازیابی شد. زیرساخت ماهانه کمتر از 500 دلار، کمتر از هزینه یک ساعت کار یک تحلیلگر است. مشتری تمام این‌ها را دارد.

چرا تشخیص تقلب مبتنی بر قانون با گذشت زمان تخریب می‌شود و با افزودن قوانین بیشتر قابل رفع نیست

تشخیص تقلب مبتنی بر قانون در اولین استقرار به خوبی کار می‌کند. قوانین الگوهای تقلب فعلی را منعکس می‌کنند، آستانه‌ها با مشخصات تراکنش فعلی کالیبره شده‌اند و سیستم آنچه را که برای کشف آن طراحی شده بود، کشف می‌کند. تخریب بلافاصله شروع می‌شود و به جای اینکه از طریق مدیریت بهتر قوانین قابل رفع باشد، ساختاری است.

تقلب به طور مداوم و خصمانه تکامل می‌یابد. هر قانون موفق به کلاهبرداران می‌آموزد که از چه چیزی اجتناب کنند. هنگامی که قانون تراکنش‌های بالای 5000 دلار را پرچم‌گذاری می‌کند، تقلب به تراکنش‌های 4999 دلاری مهاجرت می‌کند. هنگامی که قانون افزایش سرعت را بالای 300 درصد میانگین 30 روزه پرچم‌گذاری می‌کند، تقلب فعالیت را در روزهای بیشتری توزیع می‌کند تا زیر آستانه بماند. هنگامی که قانون ناسازگاری‌های جغرافیایی را پرچم‌گذاری می‌کند، تقلب از VPNها و جعل دستگاه برای ارائه جغرافیای ثابت استفاده می‌کند. قوانین به دنبال تقلب هستند. تقلب با قوانین سازگار می‌شود. شکاف بین چرخه‌های به روزرسانی قانون و چرخه‌های سازگاری تقلب به این معنی است که قوانین همیشه عقب هستند.

قوانین سریعتر از زمانی که منسوخ می‌شوند، انباشته می‌شوند. تیم‌ها قوانینی را برای مقابله با الگوهای تقلب جدید اضافه می‌کنند، اما به ندرت قوانینی را برای الگوهایی که دیگر وجود ندارند حذف می‌کنند. خطر حذف یک قانون - اینکه الگو ممکن است دوباره ظاهر شود - تیم‌های انطباق را از بازنشسته کردن قوانین حتی زمانی که این قوانین سال‌ها است که یک کشف تقلب تأیید شده برای آن‌ها نداشته‌اند، باز می‌دارد. سیستم به سوابق زمین‌شناسی هر حادثه تقلبی که تاکنون رخ داده است، با لایه‌هایی از قوانین از دوره‌های مختلف، الگوهای تقلب مختلف و اشتهای ریسک مختلف تبدیل می‌شود. تعاملات قوانین غیرقابل پیش‌بینی می‌شوند. قانون 1247 ممکن است با قانون 389 به روش‌هایی در تضاد باشد که هیچ‌کس نمی‌تواند بدون خواندن هر دو قانون، درک سناریوهای تراکنش که در آن همپوشانی دارند و آزمایش تعامل با داده‌های تولیدی، آن را ردیابی کند.

حجم هشدار به طور یکنواخت افزایش می‌یابد. با انباشت قوانین، نرخ مثبت کاذب افزایش می‌یابد زیرا تراکنش‌های بیشتری حداقل یک قانون را فعال می‌کنند، حتی اگر تراکنش قانونی باشد. تیم‌های تحقیق نمی‌توانند با رشد حجم هشدار همراهی کنند، بنابراین آن‌ها اولویت‌بندی می‌کنند - فقط هشدارهایی با بالاترین امتیاز را بررسی می‌کنند و به طور موثر هر چیزی را که زیر آستانه اولویت‌بندی است، نادیده می‌گیرند. تقلبی که هشدارهای با امتیاز متوسط تولید می‌کند، بدون شناسایی در شکاف تحقیق بین آستانه اولویت‌بندی و آستانه پاکسازی خودکار عمل می‌کند. طرح‌های تقلب پیچیده به گونه‌ای طراحی شده‌اند که امتیازاتی دقیقاً در این شکاف تولید کنند.

The Pulse Engine مشکل تخریب را به صورت ساختاری حل می‌کند. عامل‌ها قوانین را که کهنه می‌شوند و با هم در تضاد هستند، انباشت نمی‌کنند. آنها الگوها را از داده‌های تولیدی یاد می‌گیرند و به طور مداوم تشخیص خود را بر اساس نتایج تأیید شده به‌روز می‌کنند. وقتی یک الگوی تقلب تکامل می‌یابد، عوامل این تکامل را تشخیص می‌دهند زیرا آنها فضای الگو را نظارت می‌کنند، نه اینکه شرایط ایستا را بر روی تراکنش‌های فردی اعمال کنند. وقتی یک الگو بی‌اهمیت می‌شود، عوامل به طور طبیعی اولویت آن را کاهش می‌دهند زیرا سیگنال‌های تأیید کننده در داده‌ها دیگر ظاهر نمی‌شوند. منحنی یادگیری ترکیبی به این معنی است که دقت تشخیص سیستم در ماه ششم به طور قابل توجهی بالاتر از ماه اول است - که با بهبود 340 درصدی در نرخ کشف تقلب تأیید شده در طول 90 روز اول استقرار نمایش داده شده است.

ارزیابی پیش از استقرار برای شرکت‌های پرداخت

پیش از استقرار Pulse Engine، تیم یک ارزیابی جامع از وضعیت فعلی تقلب در شرکت پرداخت انجام می‌دهد. این ارزیابی مبنایی را برای اندازه‌گیری عملکرد استقرار تعیین می‌کند و زمینه‌های خاصی را که انتظار می‌رود بیشترین بهبود در آنها حاصل شود، شناسایی می‌کند.

این ارزیابی 12 ماه داده تراکنش، موارد تقلب تأیید شده، گزارش‌های پرداخت‌های برگشتی، حجم هشدارها و نتایج تحقیق، تخمین‌های مثبت کاذب، و مجموعه قوانین فعلی با تاریخ‌های ایجاد و آخرین تاریخ‌های شناسایی تأیید شده را بررسی می‌کند. در هر ارزیابی انجام شده تا به امروز، بین 30 تا 50 درصد از قوانین موجود، هیچ کشف تقلب تأیید شده‌ای را در طول بیش از 12 ماه تولید نکرده‌اند. این قوانین خفته هشدارهایی را تولید می‌کنند که ظرفیت تحقیق را بدون تولید هیچ گونه ارزش تشخیص تقلب مصرف می‌کنند.

ارزیابی همچنین جریان کار تحقیق را ترسیم می‌کند - چگونه هشدارها اولویت‌بندی می‌شوند، چگونه پرونده‌ها ساخته می‌شوند، چگونه تحقیقات مستند می‌شوند، چگونه فعالیت‌های مشکوک به ناظران و شبکه‌های کارت گزارش می‌شوند و چگونه الزامات نظارتی پیگیری و برآورده می‌شوند. جریان کار تحقیق اغلب فرصت‌های بهینه‌سازی بیشتری را نسبت به خود سیستم تشخیص آشکار می‌کند، زیرا تیم‌های تحقیق بیشتر وقت خود را صرف جمع‌آوری پرونده و مستندات می‌کنند تا تجزیه و تحلیل واقعی. عامل کمک تحقیق Pulse Engine مستقیماً این گلوگاه را برطرف می‌کند.

خروجی یک گزارش وضعیت تقلب است که به شرکت دقیقاً نشان می‌دهد تقلب کجا کشف می‌شود، با توجه به شکاف بین پوشش قانون و تیپولوژی‌های تقلب شناخته شده، احتمالاً کجا نادیده گرفته می‌شود، کجا ظرفیت تحقیق بر روی مثبت‌های کاذب به هدر می‌رود و کجا عامل‌های Pulse Engine بزرگترین تأثیر فوری را ایجاد خواهند کرد. این گزارش شامل بهبود تشخیص پیش‌بینی‌شده، کاهش مثبت کاذب، و افزایش کارایی تحقیق بر اساس استقرارهای مشابه در شرکت‌های پرداخت با حجم مشابه است.

فاز اول --- استقرار سایه‌وار در کنار سیستم قدیمی

Pulse Engine در حالت پنهان در کنار سیستم موجود برای شناسایی تقلب مستقر می شود. هر دو سیستم همزمان هر تراکنش را پردازش می کنند. سیستم قدیمی به تصمیم گیری های عملیاتی - تأیید، پرچم گذاری، امتناع ادامه می دهد. Pulse Engine همان تراکنش ها را پردازش کرده و ارزیابی های خود را بدون تأثیر بر عملیات زنده تولید می کند.

حالت پنهان به دو هدف اساسی دست می یابد. اول، عوامل مشخصات تراکنش شرکت پرداخت را بدون هیچ خطری برای عملیات زنده یاد می گیرند. عامل تجزیه و تحلیل الگو، درک خود را از آنچه رفتار عادی برای این نمونه خاص است، می سازد - کدام دسته های تجاری با چه حجمی پردازش می شوند، الگوهای جغرافیایی معمول کدامند، چه تغییرات فصلی وجود دارد، توزیع مبلغ تراکنش ها در طبقات مختلف تجار چگونه است. این یادگیری خاص نمونه ضروری است زیرا الگوهایی که در یک نمونه مشکوک هستند، ممکن است در دیگری عادی باشند.

دوم، دوره پنهان مقایسه مستقیمی بین تصمیمات سیستم قدیمی و ارزیابی های Pulse Engine تولید می کند. تیم استقرار هرگونه اختلاف را تجزیه و تحلیل می کند - تراکنش هایی که Pulse Engine پرچم گذاری می کرد اما سیستم قدیمی تأیید می کرد، و تراکنش هایی که سیستم قدیمی پرچم گذاری می کرد اما Pulse Engine آنها را کم خطر ارزیابی می کرد. هر اختلاف توسط تیم انطباق ارزیابی می شود تا مشخص شود کدام ارزیابی بر اساس شواهد موجود دقیق تر بوده است.

دوره پنهان معمولاً 14 تا 21 روز طول می کشد. در پایان، داده های مقایسه ای شواهد روشنی از قابلیت شناسایی Pulse Engine نسبت به سیستم قدیمی در تمام دسته های تقلبی که شرکت پرداخت با آنها روبروست، ارائه می دهد.

مرحله دوم --- تغییر تدریجی بر اساس سناریوی نظارت

تغییر از سیستم قدیمی به Pulse Engine به صورت تدریجی و بر اساس سناریوی نظارت انجام می شود، نه به صورت یکباره. سناریویی که بالاترین نرخ خطای مثبت کاذب را در سیستم قدیمی دارد، ابتدا منتقل می شود --- معمولاً ساختاردهی شناسایی، که بیشترین حجم هشدار و بیشترین هدر رفتن تحقیق را در اکثر شرکت های پرداخت ایجاد می کند. Pulse Engine نظارت اصلی را برای این سناریو بر عهده می گیرد در حالی که سیستم قدیمی به رسیدگی به سناریوهای باقی مانده ادامه می دهد.

هر انتقال سناریو با استفاده از معیارهای مشابه - نرخ شناسایی تقلب، نرخ خطای مثبت کاذب، حجم هشدار و کارایی تحقیق - اعتبار سنجی می شود. هنگامی که متریک ها تأیید کنند که Pulse Engine در سناریوی فعلی از سیستم قدیمی بهتر عمل می کند، سناریوی بعدی منتقل می شود.

تغییر کامل معمولاً در عرض 45 تا 60 روز پس از استقرار اولیه تکمیل می شود. سیستم قدیمی به مدت 30 روز دیگر در حالت فقط نظارت به عنوان یک شبکه ایمنی نگهداری می شود، سپس از کار افتاده و تمام سابقه قوانین برای مرجع نظارتی بایگانی می شود.

مرحله سوم --- یادگیری مرکب در مقیاس کامل نمونه کار

مهمترین بهبودهای عملکرد پس از تغییر کامل رخ می دهد، زمانی که Pulse Engine کل مجموعه تراکنش ها را پردازش می کند و نتایج تأیید شده را از تمام تحقیقات دریافت می کند. یادگیری ترکیبی به طور همزمان در مقیاس های زمانی چندگانه عمل می کند.

یادگیری بلادرنگ ارزیابی های ریسک تراکنش را بر اساس جدیدترین داده های جاری در سیستم به روز می کند. یادگیری روزانه الگوها را در کل نمونه کار جمع آوری می کند و مدل های تجزیه و تحلیل الگو را به روز رسانی می کند. یادگیری هفتگی نتایج تحقیقات - تقلب تأیید شده، خطاهای مثبت کاذب تأیید شده و موارد بدون نتیجه - را برای بهبود حساسیت تشخیص و دقت امتیازدهی در خود جای می دهد. یادگیری ماهانه روند های بلندمدت، الگوهای فصلی و انواع تقلب نوظهور را که تنها در دوره های مشاهده طولانی تر قابل مشاهده می شوند، ارزیابی می کند.

اثر ترکیبی به این معنی است که دقت تشخیص در ماه ششم به طور قابل توجهی بالاتر از ماه اول است. الگوهای تقلبی که عوامل در ماه دوم با آنها روبرو شدند، تشخیص را در ماه ششم اطلاع رسانی می کنند. الگوهای مثبت کاذب که در ماه سوم شناسایی و تصحیح شدند، دیگر در ماه ششم هشدار تولید نمی کنند. نتایج تأیید شده تیم تحقیقاتی به طور مداوم به سیستم آموزش می دهد که تقلب واقعی در این مجموعه خاص چگونه به نظر می رسد، نه در یک مدل تقلب عمومی که بر اساس داده های شخص دیگری آموزش دیده است.

بهبود 340 درصدی در نرخ شناسایی تقلب تأیید شده که در 90 روز اول استقرار نمونه به ثبت رسید، این اثر ترکیبی را نشان می دهد. سیستم 340 درصد تقلب بیشتر را تشخیص نداد زیرا بهتر از قوانین قدیمی پیکربندی شده بود. 340 درصد تقلب بیشتر را تشخیص داد زیرا الگوهای تقلب خاص مجموعه را از داده های تولید و نتایج تحقیقاتی که هیچ سیستم ایستا نمی تواند در خود جای دهد، یاد گرفت.

روش استقرار 30 روزه، استقرار پنهان را در ماه اول انجام می دهد. تغییر تدریجی معمولاً در عرض 60 روز تکمیل می شود. تا روز 90، یادگیری ترکیبی در مقیاس کامل در کل مجموعه در حال اجرا است. مشتری صاحب کد، مدل ها و هوش است. ارزیابی عملیاتی 19 سؤال، چشم انداز تقلب شرکت پرداخت را ترسیم می کند و یک طرح استقرار سفارشی را در عرض 48 ساعت با پیشرفت پیش بینی شده در تشخیص، کاهش مثبت کاذب و تجزیه و تحلیل ROI تولید می کند.

برای شرکت های پرداختی که از نگهداری 2,400 قانون که 14,000 هشدار ماهانه تولید می کنند و تیم آنها تنها بخشی از آنها را می تواند بررسی کند، خسته شده اند، Pulse Engine قوانین را با هوش، نویز را با سیگنال، و تخریب را با بهبود ترکیبی جایگزین می کند. زیرساختی که یاد می گیرد یک ویژگی نیست. این یک مزیت ساختاری است که هر ماه که سیستم کار می کند، ترکیب می شود. شرکت های پرداختی که امروز Pulse Engine را مستقر می کنند، 12 ماه هوش تقلب ترکیبی خواهند داشت تا زمانی که رقبای آنها ارزیابی کنند که آیا باید یک نسخه نمایشی را با یک فروشنده تشخیص دهیم، زمان می برد. این شکاف هوش هر ماه گسترش می یابد زیرا یادگیری ترکیبی با حجم داده و نتایج تأیید شده تسریع می شود.

معماری یکپارچه سازی برای زیرساخت شرکت پرداخت

شناسایی تقلب در پرداخت نیازمند یکپارچگی با منابع داده است که کل چرخه پردازش پرداخت را در بر می‌گیرد. Pulse Engine به هر لایه از پشته زیرساخت پرداخت متصل می‌شود تا زمینه جامعی را که شناسایی مؤثر تقلب به آن نیاز دارد، فراهم کند.

پردازشگر تراکنش، داده‌های مجوز را در زمان واقعی ارائه می‌دهد، از جمله مبلغ، تاجر، پایانه، کارت، زمان و همه عناصر داده فرعی که تراکنش را مشخص می‌کنند. Pulse Engine هر تراکنش را در چارچوب الزامات تاخیری محیط مجوز پردازش می‌کند --- ارزیابی تقلب نباید تأخیری در جریان پرداخت ایجاد کند که بر تجربه تاجر یا رعایت قوانین شبکه کارت تأثیر بگذارد.

سیستم مدیریت تاجر، داده‌های ثبت‌نام، شرایط قرارداد، سابقه پردازش و زمینه ارتباطی را فراهم می‌کند که ارزیابی تراکنش‌های فردی را از یک تمرین آماری به یک ارزیابی زمینه‌ای تبدیل می‌کند. تراکنشی که به صورت مجزا غیرعادی به نظر می‌رسد، ممکن است کاملاً عادی باشد هنگامی که مدل کسب‌وکار تاجر، الگوهای فصلی و رفتار پردازش تاریخی در نظر گرفته شود. عامل ثبت‌نام یک پروفایل تجاری پویا را حفظ می‌کند که شامل تمام داده‌های موجود است و به طور مداوم به روز می‌شود.

سیستم مدیریت برگشت‌خوردگی، داده‌های مربوط به اختلافات را ارائه می‌دهد که نشان‌دهنده سیگنال‌های تأیید شده تقلب است. هر مورد برگشت‌خوردگی داده‌های الگو را فراهم می‌کند که شناسایی آینده را بهبود می‌بخشد. حلقه بازخورد از برگشت‌خوردگی‌ها به عامل نظارت خودکار و پیوسته است --- عوامل منتظر تحلیلگر انسانی نمی‌مانند تا روند‌های برگشت‌خوردگی را تحلیل کرده و آنها را به قوانین جدید شناسایی ترجمه کنند. یادگیری به طور خودکار با پردازش نتایج برگشت‌خوردگی اتفاق می‌افتد.

سیستم انطباق، تمام رویدادهای شناسایی، یافته‌های تحقیقات و نتایج حل و فصل را دریافت می‌کند. عامل انطباق، گزارش‌های فعالیت مشکوک را تولید می‌کند، الزامات گزارش‌دهی شبکه کارت را مدیریت می‌کند و مستندات حسابرسی را که تنظیم‌کننده‌ها و بازرسان نیاز دارند، حفظ می‌کند. یکپارچگی بین شناسایی و انطباق، انتقال دستی را که باعث تأخیر در گزارش‌دهی و شکاف‌های مستنداتی در اکثر شرکت‌های پرداخت می‌شود، از بین می‌برد --- تأخیری که تنظیم‌کننده‌ها به طور فزاینده‌ای آن را نقص برنامه می‌دانند.

منابع داده خارجی از جمله هشدارهای تقلب شبکه کارت، پایگاه‌های داده صنعتی و پایگاه‌های داده مالکیت ذینفعان، در صورت موجود بودن و مرتبط بودن، یکپارچه می‌شوند. عامل تحلیل الگو، اطلاعات خارجی را در مدل‌های خود گنجانده تا تهدیداتی را شناسایی کند که در سایر نقاط اکوسیستم پرداخت شناسایی شده‌اند اما هنوز در پورتفولیو ظاهر نشده‌اند.

یکپارچگی جامع به این معنی است که عوامل هر تراکنش را با زمینه کاملی که یک تحلیلگر ارشد تقلب هنگام بررسی یک مورد مشکوک می‌خواهد، ارزیابی می‌کنند --- آنها این کار را در میلی‌ثانیه به جای ساعت‌ها انجام می‌دهند و این کار را برای هر تراکنش به جای ۶ درصدی که هشدار تولید می‌کنند، انجام می‌دهند.

تحول کارایی تحقیقاتی شایسته توجه ویژه است زیرا تعیین می‌کند که تیم انطباق چگونه از اطلاعاتی که نظارت تولید می‌کند، به طور مؤثری استفاده می‌کند. تحت سیستم قدیمی، ۱۴,۰۰۰ هشدار ماهانه ظرفیت تیم تحقیقاتی چهار تحلیلگر را ۱۵ برابر بیشتر می‌کرد. این تیم ۹۰۰ هشدار را بررسی کرد و ۱۳,۱۰۰ هشدار باقی‌مانده را با استفاده از یک الگوریتم امتیازدهی سازماندهی کرد که به طور مؤثر هر هشداری را که زیر یک آستانه دلخواه بود، رها می‌کرد. تقلب‌هایی که زیر آن آستانه عمل می‌کردند، عملاً بدون نظارت بودند.

تحت Pulse Engine، ۳,۲۰۰ هشدار ماهانه به خوبی در ظرفیت تحقیقاتی همان تیم قرار می‌گیرد. هر هشدار شامل یک پرونده کامل با زمینه رفتاری، تحلیل الگو و ارزیابی اولیه ریسک است. زمان تحقیقات از ۲۰-۴۵ دقیقه در هر مورد به ۵-۱۵ دقیقه کاهش می‌یابد زیرا جمع‌آوری اطلاعاتی که بیشتر زمان تحقیقات را مصرف می‌کرد، توسط عامل تحقیقات انجام می‌شود. تیم چهار تحلیلگر هر هشدار را به طور معناداری بررسی می‌کند به جای اینکه بخشی از آن را نمونه‌برداری کند. برنامه انطباق پوشش کامل تحقیقاتی خروجی نظارتی خود را به دست می‌آورد --- استانداردی که بازرسان به طور فزاینده‌ای انتظار دارند اما سیستم‌های مبتنی بر قانون به دلیل حجم زیاد هشدارها، از نظر ساختاری از آن جلوگیری می‌کنند.

کاهش مثبت کاذب از ۶۰-۷۰ درصد تحت سیستم قدیمی به کمتر از ۱۵ درصد تحت Pulse Engine به این معنی است که تیم تحقیقاتی ظرفیت خود را صرف فعالیت‌های مشکوک واقعی می‌کند به جای پاکسازی تراکنش‌های قانونی که قوانین بیش از حد گسترده را فعال کرده بودند. هر ساعت از زمان تحقیقات، ارزش شناسایی تقلب قابل اندازه‌گیری بیشتری تولید می‌کند زیرا نسبت سیگنال به نویز در صف هشدارها چهار برابر بهبود یافته است.

مزیت مستندسازی انطباق شایسته تأکید است زیرا انتظارات نظارتی برای مستندسازی شناسایی تقلب به طور قابل توجهی افزایش یافته است. رگولاتورها از شرکت‌های پرداخت انتظار دارند نه تنها آنچه که نظارت شناسایی کرده است بلکه اینکه روش نظارت چگونه کار می‌کند، چرا رویکردهای شناسایی خاصی انتخاب شده‌اند، چگونه این روش در پاسخ به تهدیدات در حال ظهور تکامل یافته است و چه شواهدی اثربخشی این روش را پشتیبانی می‌کند، مستند کنند. در سیستم‌های مبتنی بر قانون، این مستندسازی به صورت دستی نگهداری می‌شود و اغلب از پیکربندی واقعی سیستم عقب می‌ماند زیرا تغییرات قوانین سریع‌تر از به روز رسانی مستندات است. در Pulse Engine، عامل انطباق مستندات روش‌شناسی را نگهداری می‌کند که به طور خودکار وضعیت فعلی نظارت را منعکس می‌کند زیرا مستندات از همان داده‌هایی تولید می‌شوند که عوامل برای عملیات استفاده می‌کنند.

آمادگی برای بازرسی که نتیجه نگهداری مستمر مستندات است، از عجله قبل از بازرسی که اکثر تیم‌های انطباق شرکت‌های پرداخت تجربه می‌کنند، جلوگیری می‌کند. بسته مستندات همیشه به روز است. هنگامی که یک بازرس شواهدی از اثربخشی نظارت را درخواست می‌کند، شواهد بلافاصله در دسترس هستند به جای اینکه هفته‌ها برای جمع‌آوری از سیستم‌های مختلف و سوابق دستی زمان لازم باشد. بازرسی تبدیل به نمایشی از کیفیت برنامه می‌شود به جای آزمایشی برای سرعت مونتاژ مستندات.

جدول زمانی کل استقرار از ارزیابی اولیه تا فعال‌سازی کامل یادگیری ترکیبی، مسیری قابل پیش‌بینی را دنبال می‌کند که شرکت‌های پرداخت می‌توانند بر اساس آن برنامه‌ریزی کنند. استقرار ۳۰ روزه، نظارت پنهان را در ماه اول ارائه می‌دهد. تغییر تدریجی در ۶۰ روز تکمیل می‌شود. تا روز ۹۰، یادگیری ترکیبی در مقیاس کامل پورتفولیو با معیارهای بهبود قابل اندازه‌گیری عمل می‌کند. تا ماه ششم، سیستم داده‌های کافی و نتایج تأیید شده را برای دستیابی به سطوح شناسایی که سیستم قدیمی هرگز نمی‌توانست به آن نزدیک شود، صرف نظر از تعداد قوانین اضافی ایجاد شده، جمع‌آوری کرده است. کل مسیر از نظارت قدیمی تا نظارت هوش ترکیبی کاملاً عملیاتی در عرض شش ماه تکمیل می‌شود، و هر ماه پس از آن شکاف عملکرد بین Pulse Engine و هر جایگزین مبتنی بر قانون را گسترش می‌دهد.

About TFSF Ventures

TFSF Ventures FZ-LLC (RAKEZ License 47013955) یک شرکت طراحی و معماری سرمایه‌گذاری است که زیرساخت عامل هوشمند را از طریق سه ستون یکپارچه در کسب‌وکارها مستقر می‌کند: زیرساخت عامل‌محور، ریل‌های پرداخت غیرسنتی، و یک Venture Engine کامل. TFSF با 27 سال سابقه در زمینه پرداخت و نرم‌افزار، به صورت جهانی فعالیت می‌کند و با روش استقرار 30 روزه، به 21 صنعت خدمت‌رسانی می‌نماید. برای کسب اطلاعات بیشتر به https://tfsfventures.com مراجعه کنید.

ارزیابی رایگان هوش عملیاتی را انجام دهید

ارزیابی رایگان هوش عملیاتی را انجام دهید — 19 سوال، حدود 8 دقیقه، بدون هیچ تعهدی. ظرف 48 ساعت یک طرح استقرار سفارشی شامل توصیه‌های عامل، معماری، و پیش‌بینی‌های بازگشت سرمایه دریافت کنید. شروع در https://tfsfventures.com/assessment

در ابتدا در https://tfsfventures.com/blog/pulse-engine-payment-fraud-prevention-deployment-methodology-compound-learning منتشر شده بود

نوشته شده توسط TFSF Ventures Research