Mastercard ใช้ AI ตรวจจับ Fruad ในระดับมิลลิวินาที ด้วยสถาปัตยกรรม Inverse Recommender

ปริมาณธุรกรรมบนเครือข่ายของ Mastercard ที่สูงถึง 1.6 แสนล้านรายการต่อปี และพุ่งสูงแตะ 70,000 รายการต่อวินาทีในช่วงพีค การจะหาธุรกรรมต้องสงสัยท่ามกลางข้อมูลมหาศาลโดยไม่ไปกระทบกับธุรกรรมปกติถือเป็นความท้าทายของธุรกิจ นี่คือที่มาของ Decision Intelligence Pro หรือ DI Pro แพลตฟอร์มของ Mastercard ที่ใช้ Generative AI เจาะลึกระดับรายธุรกรรมเพื่อประเมินความเสี่ยงได้ในระดับมิลลิวินาที

Johan Gerber EVP ด้าน Security Solutions ของ Mastercard ระบุว่า หัวใจสำคัญคือการประเมินความเสี่ยงแบบเรียลไทม์ ทันทีที่ผู้บริโภคแตะบัตรหรือคลิกซื้อ ข้อมูลจะวิ่งผ่านระบบของ Mastercard ไปยังธนาคารผู้ออกบัตร ซึ่งกระบวนการทั้งหมดนี้ต้องเกิดขึ้นภายในเวลาไม่เกิน 300 มิลลิวินาที

ธนาคารเป็นผู้ตัดสินใจขั้นสุดท้ายว่าจะอนุมัติหรือไม่ แต่คุณภาพของการตัดสินใจนั้นขึ้นอยู่กับคะแนนความเสี่ยงที่ Mastercard ส่งให้ ซึ่งความยากคือระบบไม่ได้มองหาแค่ความผิดปกติแบบเดิม ๆ แต่คือการมองหาสิ่งที่ซับซ้อนกว่านั้น โดยเบื้องหลังประสิทธิภาพของ DI Pro คือ Recurrent Neural Network (RNN) ที่ Mastercard เรียกว่าสถาปัตยกรรมแบบ Inverse Recommender

ปกติระบบ Recommender ทั่วไปจะทำหน้าที่แนะนำสินค้าให้ลูกค้า แต่ในบริบทนี้ AI จะตั้งคำถามย้อนกลับว่า จากประวัติที่ผ่านมาและตำแหน่งปัจจุบัน ร้านค้านี้คือร้านที่เราจะแนะนำให้ผู้ใช้รายนี้หรือไม่? หากคำตอบคือ ไม่สมเหตุสมผล คะแนนความเสี่ยงก็จะพุ่งสูงขึ้น วิธีนี้ช่วยให้ Chris Merz SVP ด้าน Data Science ของ Mastercard แยกแยะรูปแบบพฤติกรรมของผู้ใช้จริง ออกจากรูปแบบของมิจฉาชีพได้อย่างชัดเจน

ส่วนการจัดการกับ Data Sovereignty ทาง Mastercard แก้เกมด้วยการใช้ข้อมูลที่ถูกทำให้เป็นนิรนามอย่างสมบูรณ์ ทำให้ไม่มีความเสี่ยงเรื่องความเป็นส่วนตัวแต่ยังคงรักษารูปแบบพฤติกรรมสำคัญไว้ได้ จนสามารถเชื่อมต่อความรู้จากข้อมูลทั่วโลกตลอดทั้งปี มาบีบอัดให้เหลือเพียงการตัดสินใจในเสี้ยววินาทีสำหรับธุรกรรมเดียวได้

ด้านการป้องกัน Mastercard ใช้ Honeypots หรือสภาพแวดล้อมลวงเพื่อดักจับอาชญากรไซเบอร์ เมื่อมิจฉาชีพหลงกลเข้ามา AI Agent จะทำการโต้ตอบเพื่อล่อให้คนร้ายเผยบัญชีม้าออกมา จากนั้นระบบจะใช้เทคนิค Graph Analysis เพื่อเชื่อมโยงความสัมพันธ์ว่าบัญชีม้าเหล่านี้เชื่อมโยงกับบัญชีที่ดูเหมือนปกติบัญชีใดบ้าง ช่วยให้เห็นเครือข่ายการฟอกเงินที่ซ่อนอยู่ลึกลงไปหลายชั้น

ที่มา: https://venturebeat.com/orchestration/what-ai-builders-can-learn-from-fraud-models-that-run-in-300-milliseconds