Lembre-se de que os golpes ocorrem em todos os canais de comunica\u00e7\u00e3o e s\u00e3o direcionados a todas as faixas et\u00e1rias. No entanto, como mostra um relat\u00f3rio de 2024 do Mobile Ecosystem Forum (MEF)<\/a>, os hackers tendem a se concentrar nos canais de comunica\u00e7\u00e3o mais populares.<\/p>\n\n\n\n Enquanto nos EUA isso pode ser feito por email e SMS, na Europa os fraudadores est\u00e3o cada vez mais migrando para os canais de mensagens. O WhatsApp, por exemplo, apresentou um aumento de 4 pontos nos ataques relatados simplesmente porque sua base de usu\u00e1rios cresceu.<\/p>\n\n\n\n Portanto, vamos dar uma olhada mais de perto nas possibilidades, nos benef\u00edcios e nos cen\u00e1rios pr\u00e1ticos do machine learning na detec\u00e7\u00e3o de fraudes.<\/p>\n\n\n\n O machine learning (ML) \u00e9 um campo especializado dentro da IA<\/a> voltado para a cria\u00e7\u00e3o de algoritmos e modelos que permitem que os computadores analisem grandes conjuntos de dados, aprendam com eles, detectem padr\u00f5es e fa\u00e7am previs\u00f5es informadas com base nesses dados.<\/p>\n\n\n\n H\u00e1 tr\u00eas tipos principais de t\u00e9cnicas de machine learning: aprendizado supervisionado, aprendizado n\u00e3o supervisionado <\/strong>e aprendizado refor\u00e7ado.<\/strong><\/p>\n\n\n\n No aprendizado supervisionado, um computador \u00e9 ensinado a fazer previs\u00f5es com base em exemplos com os quais foi treinado. Para isso, os computadores recebem um input (um problema) e um output (solu\u00e7\u00e3o ou resposta para o problema). Em seguida, o computador os estuda e aprende a rela\u00e7\u00e3o entre input e output. Depois de entender o padr\u00e3o subjacente, ele poder\u00e1 fazer previs\u00f5es e tomar decis\u00f5es para problemas desconhecidos.<\/p>\n\n\n\n Com o machine learning n\u00e3o supervisionado, os computadores recebem apenas dados de input, mas nenhum resultado. A ideia \u00e9 que o computador analise as informa\u00e7\u00f5es e descubra padr\u00f5es por conta pr\u00f3pria.<\/p>\n\n\n\n Em uma situa\u00e7\u00e3o de aprendizagem refor\u00e7ada, um computador interage com um ambiente e toma decis\u00f5es, para as quais recebe feedback na forma de puni\u00e7\u00f5es ou recompensas. O objetivo \u00e9 que o computador encontre a abordagem que lhe d\u00ea mais recompensas.<\/p>\n\n\n\n Todas as tr\u00eas abordagens de modelos de machine learning se concentram na capacidade do computador de analisar grandes conjuntos de dados, reconhecer padr\u00f5es e ser capaz de se adaptar a novas informa\u00e7\u00f5es e fazer previs\u00f5es razo\u00e1veis com base em seu treinamento. <\/p>\n\n\n\n \u00c9 por isso que esse subconjunto de IA \u00e9 t\u00e3o valioso para a detec\u00e7\u00e3o de fraudes. <\/p>\n\n\n Normalmente, um modelo de machine learning intercepta o tr\u00e1fego de entrada antes que ele chegue ao destinat\u00e1rio. Em seguida, o modelo de ML analisa se algo parece estranho com base no que ele foi treinado para reconhecer como “suspeito”.<\/p>\n\n\n\n Em seguida, ele executa uma a\u00e7\u00e3o. A a\u00e7\u00e3o tamb\u00e9m depende da programa\u00e7\u00e3o e pode ser simplesmente sinalizar as mensagens como suspeitas ou bloque\u00e1-las.<\/p>\n\n\n\n H\u00e1 v\u00e1rias maneiras pelas quais o machine learning pode ser usado na preven\u00e7\u00e3o de fraudes.<\/p>\n\n\n\n Voc\u00ea pode treinar um computador com conjuntos de dados hist\u00f3ricos para ensin\u00e1-lo a reconhecer comportamentos “normais” e “anormais”. Um exemplo seria aprender que sacar uma quantia de R$ 500 por dia de uma conta banc\u00e1ria particular \u00e9 “normal”, mas sacar R$ 500 a cada duas horas n\u00e3o \u00e9. Tamb\u00e9m \u00e9 poss\u00edvel ensinar aos computadores o padr\u00e3o de comportamento singular de cada usu\u00e1rio e, com base nisso, identificar desvios individuais. Isso permite a detec\u00e7\u00e3o r\u00e1pida de anomalias que podem indicar fraude.<\/p>\n\n\n\n Al\u00e9m de identificar uma poss\u00edvel fraude, o machine learning tamb\u00e9m pode ser usado para atribuir pontua\u00e7\u00f5es de risco a padr\u00f5es an\u00f4malos. Uma pontua\u00e7\u00e3o de alto risco pode indicar uma probabilidade maior de fraude ou que o golpe representa uma amea\u00e7a maior para a empresa. Essa abordagem de gerenciamento de riscos pode ajudar as equipes a priorizar quando analisam as situa\u00e7\u00f5es sinalizadas.<\/p>\n\n\n\n Os agentes mal-intencionados geralmente operam por meio de uma rede compartilhada. Portanto, a identifica\u00e7\u00e3o de padr\u00f5es de rede, como atividades suspeitas provenientes do mesmo local ou dispositivo, pode ser outra maneira de usar o machine learning para a detec\u00e7\u00e3o de fraudes.<\/p>\n\n\n\n Outra maneira de usar algoritmos de ML para sistemas de detec\u00e7\u00e3o de fraudes \u00e9 trein\u00e1-los em dados de texto ou imagem. Isso pode incluir avalia\u00e7\u00f5es on-line, mensagens de texto e c\u00f3digos QR. Em seguida, a IA examinaria esse conte\u00fado em busca de padr\u00f5es ou indicadores de fraude (links com spam, palavras como “fique rico rapidamente” etc.).<\/p>\n\n\n\n Como o machine learning \u00e9 adapt\u00e1vel, os computadores tamb\u00e9m podem ser treinados novamente com novos dados. Portanto, se os malfeitores mudarem seu comportamento, os computadores poder\u00e3o estudar e aprender esses novos padr\u00f5es de fraude e adaptar sua abordagem tamb\u00e9m.<\/p>\n\n\n\n Embora o machine learning seja poderoso, ele n\u00e3o \u00e9 a \u00fanica op\u00e7\u00e3o que as empresas t\u00eam para detectar fraudes. <\/strong>Voc\u00ea pode basear sua detec\u00e7\u00e3o de fraude apenas em processos manuais. Embora isso possa ser bem-sucedido, requer mais pessoal.<\/p>\n\n\n\n Al\u00e9m do machine learning, h\u00e1 tamb\u00e9m outras tecnologias que voc\u00ea pode usar para a detec\u00e7\u00e3o de fraudes, como biometria ou an\u00e1lise de big data. Eles s\u00e3o especialmente bem-sucedidos quando voc\u00ea os combina com o ML, pois \u00e9 poss\u00edvel dimension\u00e1-los facilmente e ajust\u00e1-los ainda mais.<\/p>\n\n\n\n Os algoritmos de machine learning s\u00e3o muito eficientes na preven\u00e7\u00e3o de fraudes em escala. Isso significa que voc\u00ea pode aumentar exponencialmente os benef\u00edcios de qualquer tipo de detec\u00e7\u00e3o de fraude usando o machine learning. Aqui est\u00e3o algumas maneiras pelas quais o ML para a detec\u00e7\u00e3o de fraudes se adapta particularmente bem.<\/p>\n\n\n\n Por um lado, o machine learning \u00e9 muito eficiente, pois pode identificar mais rapidamente o comportamento fraudulento do usu\u00e1rio e fazer isso de forma consistente com volumes muito grandes de dados. Isso otimiza o processo, reduz a carga de trabalho das suas equipes e diminui as revis\u00f5es manuais, al\u00e9m de permitir reagir mais rapidamente a poss\u00edveis amea\u00e7as.<\/p>\n\n\n\n Desde a infla\u00e7\u00e3o artificial do tr\u00e1fego at\u00e9 fraudes de pagamento, muitas fraudes podem ser muito caras para as empresas se forem realizadas com sucesso. Obviamente, \u00e9 poss\u00edvel detectar essas fraudes sem o machine learning, mas como o machine learning pode sinalizar os malfeitores mais rapidamente, as empresas poder\u00e3o reconhecer e at\u00e9 mesmo evitar fraudes mais cedo, o que pode economizar milh\u00f5es de d\u00f3lares para as empresas. Isso tamb\u00e9m torna o ML muito econ\u00f4mico e, portanto, proporciona um bom ROI, o que \u00e9 importante considerar ao decidir em quais m\u00e9todos de detec\u00e7\u00e3o de fraude voc\u00ea deve investir.<\/p>\n\n\n\n Como mostram os exemplos do Citibank<\/a> ou do Wells Fargo<\/a>: mesmo que uma empresa n\u00e3o seja diretamente culpada, se a fraude afetar os clientes, as empresas correm o risco de serem processadas. Isso \u00e9 caro e prejudica a reputa\u00e7\u00e3o, portanto, poder usar o machine learning para tornar a preven\u00e7\u00e3o eficaz de fraudes ainda mais eficaz \u00e9 uma grande vantagem.<\/p>\n\n\n\n Dados da Federal Trade Commission<\/a> mostram que os consumidores perdem muito dinheiro com fraudes. Em 2023, as perdas com fraudes de consumidores somaram US$ 10 bilh\u00f5es – um novo recorde. Isso faz com que seja ainda mais importante para as empresas protegerem seus clientes. As empresas que priorizam a preven\u00e7\u00e3o de fraudes em escala por meio do machine learning ter\u00e3o mais sucesso em conquistar a confian\u00e7a de seus clientes, garantir a reten\u00e7\u00e3o a longo prazo e reduzir a rotatividade.<\/p>\n\n\n\n Ser vista como uma marca que combate ativamente a fraude e protege os clientes n\u00e3o apenas aumenta a confian\u00e7a dos clientes existentes, mas tamb\u00e9m melhora a reputa\u00e7\u00e3o geral da marca. Isso agora \u00e9 mais relevante do que nunca! Como mostra nossa pesquisa de 2024 sobre as expectativas dos clientes<\/a>, a comunica\u00e7\u00e3o segura \u00e9 uma das principais prioridades dos clientes quando interagem pela primeira vez com uma nova marca.<\/p>\n\n\n\n O machine learning n\u00e3o \u00e9 um processo \u00fanico e pronto. \u00c9 poss\u00edvel treinar novamente os computadores ou ensin\u00e1-los a entender o comportamento alterado do usu\u00e1rio. Se os hackers ou spammers mudarem sua abordagem, a IA ser\u00e1 flex\u00edvel o suficiente para se adaptar a essas mudan\u00e7as. <\/p>\n\n\n\n Isso significa que a IA se aprimora com o tempo e ser\u00e1 capaz de cobrir mais cen\u00e1rios indesejados.<\/p>\n\n\n\n Ao analisar o machine learning para a detec\u00e7\u00e3o de fraudes, tamb\u00e9m \u00e9 fundamental entender suas limita\u00e7\u00f5es. <\/p>\n\n\n\n O uso de IA na detec\u00e7\u00e3o de fraudes pode levar a falsos positivos (clientes reais que s\u00e3o bloqueados) e falsos negativos (fraudadores que n\u00e3o s\u00e3o detectados). \u00c9 claro que esse problema n\u00e3o \u00e9 exclusivo da IA. No entanto, um excesso de confian\u00e7a na IA pode aumentar a taxa de resultados incorretos. <\/p>\n\n\n\n Portanto, \u00e9 importante reduzir o risco de previs\u00f5es ou decis\u00f5es incorretas, monitorando-as e definindo um limite de risco. Em outras palavras: qual tr\u00e1fego \u00e9 considerado fraude e, portanto, deve ser bloqueado. Isso significa que as operadoras ou empresas precisam definir em que ponto estimam que o risco de fraude \u00e9 alto o suficiente para bloquear uma mensagem ou um usu\u00e1rio. <\/p>\n\n\n\n Por exemplo, um usu\u00e1rio que solicita tr\u00eas senhas de uso \u00fanico em um curto per\u00edodo de tempo \u00e9 um sinal de tentativa de invas\u00e3o e deve ser bloqueado, ou \u00e9 um cliente com problemas de acesso? <\/p>\n\n\n\n Encontrar o limite correto de quais mensagens devem ser aceitas e quais devem ser rejeitadas pode ser complicado. Afinal, voc\u00ea n\u00e3o quer bloquear clientes leg\u00edtimos, mas tamb\u00e9m n\u00e3o quer facilitar demais para os fraudadores. <\/p>\n\n\n\n Normalmente, a taxa de aceita\u00e7\u00e3o de sua mensagem deve ser pr\u00f3xima a 100%. A maioria das empresas define seus limites de risco acima de 98% ou at\u00e9 99%, mas isso tamb\u00e9m depende do seu caso de uso individual.<\/p>\n\n\n\n Como o machine learning se concentra no reconhecimento de padr\u00f5es, pode ser dif\u00edcil para qualquer IA detectar truques que se baseiam na psicologia humana, como ataques de engenharia social, especialmente se for um novo tipo de ataque e a IA ainda n\u00e3o tiver sido treinada para discerni-lo. <\/p>\n\n\n\n Se, por exemplo, um usu\u00e1rio estiver ao telefone com um hacker que ele pensa ser o departamento de TI de um banco, ele poder\u00e1 usar suas pr\u00f3prias informa\u00e7\u00f5es de login e realizar uma transa\u00e7\u00e3o leg\u00edtima. Para a IA n\u00e3o treinada, isso pode parecer um comportamento normal, mas, em segundo plano, o hacker acabou de roubar a senha e as informa\u00e7\u00f5es da conta do usu\u00e1rio. <\/p>\n\n\n\n \u00c9 claro que sempre \u00e9 poss\u00edvel e definitivamente recomendado treinar novamente a IA e ensin\u00e1-la a reconhecer novos padr\u00f5es, mas voc\u00ea tamb\u00e9m deve estar ciente de que sempre pode haver novos golpes que escapam. <\/p>\n\n\n\n \u00c9 por isso que, al\u00e9m de contar com o ML, \u00e9 fundamental que as empresas treinem os funcion\u00e1rios e os clientes minuciosamente sobre o maior n\u00famero poss\u00edvel de tipos de golpes.<\/strong> A IA ainda pode ajudar a detectar padr\u00f5es suspeitos, mas n\u00e3o deve ser o \u00fanico mecanismo de preven\u00e7\u00e3o com o qual uma empresa conta.<\/p>\n\n\n\n Os cen\u00e1rios a seguir mostram onde o machine learning pode ajudar a detectar e evitar fraudes.<\/p>\n\n\n\n Um dos golpes mais comuns de engenharia social \u00e9 quando os consumidores s\u00e3o manipulados para revelar suas informa\u00e7\u00f5es privadas, que s\u00e3o usadas para fins il\u00edcitos. Quando isso acontece por email, \u00e9 chamado de “phishing”, e o phishing por SMS \u00e9 conhecido como “smishing”<\/a>.<\/p>\n\n\n\n O machine learning pode lidar com esse tipo de fraude analisando os h\u00e1bitos do usu\u00e1rio e o comportamento t\u00edpico das transa\u00e7\u00f5es. Qualquer coisa que pare\u00e7a fora do comum pode ser imediatamente sinalizada e revisada. <\/p>\n\n\n\n A Infla\u00e7\u00e3o Artificial de Tr\u00e1fego (AIT – Artificial Inflation of Traffic)<\/a> \u00e9 um tipo de fraude de SMS que envolve altos volumes de tr\u00e1fego de aplicativo para pessoa (A2P). Normalmente, os golpistas usam bots que solicitam v\u00e1rias senhas de uso \u00fanico (OTPs)<\/a> que eles querem que sejam enviadas como mensagens de texto para um n\u00famero de celular. No entanto, n\u00e3o h\u00e1 usu\u00e1rios finais recebendo essas OTPs. Em vez disso, os propriet\u00e1rios de aplicativos s\u00e3o obrigados a pagar pelo SMS.<\/p>\n\n\n\r\n\t O que \u00e9 machine learning?<\/h2>\n\n\n\n
Aprendizagem supervisionada <\/h3>\n\n\n\n
Aprendizado n\u00e3o supervisionado <\/h3>\n\n\n\n
Aprendizagem refor\u00e7ada <\/h3>\n\n\n\n
Como o machine learning \u00e9 usado na detec\u00e7\u00e3o de fraudes?<\/h2>\n\n\n\n
![\"Machine](\"https:\/\/sinch.com\/wp-content\/uploads\/2024\/09\/Machine-learning-for-fraud-detection_Inarticle-image_1400-x723.png\")
Detec\u00e7\u00e3o de anomalias<\/h3>\n\n\n\n
Pontua\u00e7\u00e3o de riscos<\/h3>\n\n\n\n
An\u00e1lise de redes<\/h3>\n\n\n\n
An\u00e1lise de conte\u00fado<\/h3>\n\n\n\n
Preciso usar o machine learning para a detec\u00e7\u00e3o de fraudes?<\/h3>\n\n\n\n
Benef\u00edcios do machine learning para a detec\u00e7\u00e3o de fraudes<\/h2>\n\n\n\n
Melhora a efici\u00eancia <\/h3>\n\n\n\n
Evita mais perdas financeiras <\/h3>\n\n\n\n
Evita poss\u00edveis a\u00e7\u00f5es judiciais<\/h3>\n\n\n\n
Cria confian\u00e7a com os clientes <\/h3>\n\n\n\n
Melhora a reputa\u00e7\u00e3o da marca <\/h3>\n\n\n\n
Melhora com o tempo <\/h3>\n\n\n\n
Quais s\u00e3o as limita\u00e7\u00f5es da IA na detec\u00e7\u00e3o de fraudes?<\/h2>\n\n\n\n
Previs\u00f5es ou decis\u00f5es incorretas <\/h3>\n\n\n\n
Golpes que se aproveitam da psicologia humana <\/h3>\n\n\n\n
Tipos de fraude que o machine learning pode ajudar a combater <\/h2>\n\n\n\n
Phishing e smishing <\/h3>\n\n\n\n
AIT <\/h3>\n\n\n\n