Fintech bloqueia fraudes em instituições financeiros com IA e GPU Nvidia

As vendas de comércio eletrônico dispararam à medida que mais pessoas compram remotamente, estimuladas pela pandemia. Mas esse aumento também levou os fraudadores a usar a oportunidade para enganar varejistas e clientes, de acordo com David Sutton, diretor de Tecnologia Analítica da fintech Featurespace.

A empresa, com sede no Reino Unido, desenvolveu uma tecnologia baseada em IA para aumentar a velocidade e a precisão da detecção e prevenção de fraudes. Chamada de ARIC Risk Hub, a plataforma usa modelos de aprendizado profundo treinados com GPUs Nvidia para distinguir entre comportamento transacional válido e fraudulento.

“As transações online são o principal alvo dos criminosos, pois eles não precisam ter o cartão físico para realizar as transações”, disse Sutton. “Com os detalhes do cartão comprometido prontamente disponíveis na Dark Web, os fraudadores podem direcionar grandes volumes de cartões para cometer fraudes com muito pouco esforço.”

O ARIC Risk Hub cria perfis comportamentais complexos do que chama de clientes “genuínos” ao convergir dados de transações e de terceiros de todo o seu ciclo de vida dentro de uma instituição financeira.

Tradicionalmente, a prevenção de fraudes tem sido limitada por atrasos na detecção – com os clientes sendo notificados somente depois de o dinheiro ter saído de suas contas bancárias. Mas o ARIC Risk Hub em menos de 30 milissegundos determina anomalias mesmo nas menores mudanças no comportamento de um cliente. Ele compara cada evento financeiro de um cliente com seu perfil usando análise comportamental adaptativa alimentada por IA.

A tecnologia foi implementada em 70 grandes instituições financeiras em todo o mundo – e algumas relataram ter bloqueado 75% de seus ataques de fraude, disse Sutton.

O ARIC Risk Hub ajuda essas instituições a identificar comportamentos criminosos quase em tempo real, reduzindo suas perdas financeiras e custos operacionais e protegendo mais de 500 milhões de consumidores contra fraudes e crimes financeiros.

Aprendizado profundo

A Featurespace começou há mais de uma década como uma consultoria de aprendizado de máquina (ML). Foi enraizado na pesquisa do professor da Universidade de Cambridge, Bill Fitzgerald, que buscava causar um impacto comercial com a análise comportamental adaptativa, uma tecnologia que ele criou.

Aplicada ao setor de serviços financeiros, a tecnologia rapidamente decolou. “Com essa tecnologia, você pode construir um modelo de aprendizado profundo que aprenda e entenda quais tipos de ações uma pessoa normalmente realiza para que possa procurar mudanças nessas ações”, disse Sutton.

No passado, levaria semanas para o Featurespace configurar e treinar diferentes modelos de aprendizado profundo. Com as GPUs Nvidia A100 Tensor Core, a empresa viu uma aceleração de até 100x no treinamento de modelos, disse Sutton.

“Em comparação com quando usávamos CPUs, as GPUs Nvidia nos dão um loop de pesquisa para impacto realmente rápido”, acrescentou. “É eletrizante trabalhar com algo que pode ter um impacto tão rápido”, disse.

Acostumados a executar apenas 10 testes, os pesquisadores e cientistas de dados do Featurespace agora podem executar milhares de testes, o que reforça a confiança estatística de seus resultados, permitindo que eles implementem apenas os melhores modelos testados e comprovados.

Sutton disse que mesmo um aumento de 1% na detecção de fraudes descoberta usando o modelo de aprendizado profundo pode economizar US$ 20 milhões por ano para grandes empresas.

O Featurespace normalmente usa arquiteturas de rede neural recorrentes em dados de fluxos de transações. Esse pipeline de modelo permite que as novas ações de um indivíduo sejam avaliadas por meio do contexto comportamental aprendido com suas ações passadas.

Identificação de fraudes

Os modelos de aprendizado profundo do Featurespace impediram todo tipo de fraude, incluindo aquelas que envolvem cartões de crédito, pagamentos, aplicativos e lavagem de dinheiro.

A interface do ARIC Risk Hub é personalizável, para que os clientes possam selecionar o subconjunto de componentes mais adequado para suas necessidades específicas. Os usuários podem alterar as configurações de análise ou revisar casos suspeitos. Se, na revisão, um caso for considerado um falso positivo, o modelo de aprendizado profundo aprende com seus erros, aumentando a precisão futura.

A tecnologia Featurespace tem feito sucesso para empresas de processamento de pagamentos como TSYS e Worldpay – bem como grandes bancos, incluindo Danske Bank, HSBC e NatWest.

“Nosso trabalho é o que traz muitas pessoas da Featurespace ao escritório todas as manhãs”, disse ele. “Se você é capaz de reduzir a quantidade de lavagem de dinheiro no mundo, por exemplo, você pode transformar o crime em algo que não paga tanto, tornando-o um setor menos lucrativo para se estar”, finalizou.

Serviço

www.nvidia.com