La compañía usa lo último en tecnología de inteligencia artificial, como sucede con el machine learning no supervisado, para combatir las estafas en los pagos.
Las técnicas de fraudes evolucionan constantemente, analizar un ataque pasado no garantiza que el siguiente será igual o tendrá como objetivo a una víctima similar. En consecuencia, las organizaciones tienen que adaptarse continuamente para hacerle frente a las amenazas. Por ello, Visa usa la inteligencia artificial (IA) y el aprendizaje no supervisado para combatir los fraudes.
Si bien la compañía registra todas las transacciones de la red Visa para analizar qué comportamientos son ‘normales’, constantemente actualiza la forma en que modelo observa el historial para que refleje los datos de manera más precisa.
Te puede interesar: Ransomware exhibe debilidades del internet
“Los estafadores no se quedan quietos”, comentó Melissa McSherry, VP sénior y directora global de datos, seguridad e identidad de productos en Visa en una entrevista durante la conferencia virtual Transform 2021 organizada por Venture Beat. “Siempre están buscando innovar”.
Detectar cambios en la información resulta muy útil para la autenticación. Por ejemplo, un solo número de teléfono y un correo electrónico por lo general se asocian a una operación legítima. En consecuencia, una transacción futura será considerada legal.
Sin embargo, cuando el número está ligado a 500 emails, lo más probable es que no pertenezca a una identidad real y las cuentas estén comprometidas.
Desde la década de 1990, Visa ha usado redes neurales para detectar fraudes. De forma más reciente, ha implementado redes neurales convolucionales (CNN, en inglés) y redes neurales recurrentes (RNN, en inglés) para mejorar el reconocimiento de patrones a través de las redes.
McSherry explicó que estas no solo son usadas como modelos, sino también entorno a estos para identificar áreas que requieren más escrutinio o señalar cambios que requieran hacerse.
Por otro lado, la compañía usa redes antagónicas generativas (GAN, en inglés) para crear estafadores virtuales y exponerlos contra las herramientas antifraudes con la finalidad de identificar fallas en los modelos de detección de fraude, incluso en las soluciones provistas por sociales o en la lógica de negocio.
“En mi experiencia, en algunas ocasiones las cosas no salen como piensas que lo harán la primera vez en que las usas”, detalló McSherry. Como resultado, nuevos métodos serán implementados de forma paralela o solo para hacer tareas de monitoreo hasta que sean mejor comprendidos.
Lee también: Hackers contratan a negociados de ransomware
Incorporar la inteligencia artificial para combatir fraudes requiere inversión y compromiso. Los accionistas de las empresas necesitan mantener el interés y enfoque porque los primeros intentos al aplicar esta tecnología no necesariamente saldrán acordes a lo planeado.
Por lo anterior, la experimentación y la paciencia son claves. Además, ayuda el tener claro que el valor de los resultados hace que valga la pena esperar. De igual manera, los colaboradores requieren aprender sobre nuevas técnicas que permitan a las organizaciones obtener el mejor provecho del machine learning.
