बहरहाल, इस विलासिता ने हमें साइबर अपराध, ऑनलाइन घोटाले और डेटा चोरी के लिए अतिसंवेदनशील बना दिया है। फिनटेक और फिनसर्व संगठन इस भेद्यता को महसूस कर रहे हैं और वे बेहतर सुरक्षा के लिए मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस की ओर रुख कर रहे हैं।
सबसे आम धोखाधड़ी में कार्ड जारीकर्ता, उपयोगकर्ता के गोपनीय डेटा को चुराने के लिए मैलवेयर के साथ वायरस के हमले और साथ ही फ़िशिंग शामिल हैं। पहचान की चोरी और उपयोगकर्ता के व्यक्तिगत डेटा की चोरी भी एक उत्कृष्ट खतरा है।
धोखाधड़ी का पता लगाने के लिए प्रत्येक वित्तीय संघ निम्नलिखित चरणों का पालन करता है
- उपयोगकर्ता की कार्रवाई का पता लगाएं और उसका विश्लेषण करें।
- पता लगाएँ कि क्या यह पिछले व्यवहार के अनुरूप है या कोई विचलन है।
- तय करें कि क्या इसे वास्तव में एक कपटपूर्ण गतिविधि के रूप में माना जाना चाहिए या नहीं।
पारंपरिक प्रणाली धोखाधड़ी से बचने के लिए चौकियों के रूप में उपयोग किए जाने वाले नियमों के पूर्वनिर्धारित सेट का पालन करती है। उदाहरण के लिए, वित्तीय संस्थान का एक सिद्धांत हो सकता है कि यदि कोई उपभोक्ता एक दिन में अपने खाते में एक निश्चित मात्रा से अधिक चार्ज कार्ड जोड़ता है, तो लाल झंडा उठाएं। अन्य चेतावनी बिंदु संभवतः व्यवहार संबंधी चीजें हो सकते हैं जैसे असामान्य रूप से बड़े लेनदेन या असामान्य स्थान।
लेकिन डिजिटल डिस्टेंस में हर मिनट इतने सारे लेन-देन होने के कारण यह व्यवस्था कायम नहीं रह सकती है। इसके अतिरिक्त, इसमें मानवीय परिवर्तन की आवश्यकता है। साइबर अपराधी निश्चित रूप से इस चेतावनी झंडे को दरकिनार कर सकते हैं। इस प्रकार मौद्रिक संगठनों को धोखाधड़ी का पता लगाने के लिए एक उन्नत दृष्टिकोण के रूप में मशीन-लर्निंग की आवश्यकता होती है।
हाई टेक फ्रॉड डिटेक्शन प्रोग्राम:
मशीन लर्निंग की अलग विशेषता स्वयं सीखने की अपनी शक्ति है। जैसे-जैसे डेटा की बढ़ती संख्या जमा होती है, एल्गोरिदम प्रगति करता है जिसके परिणामस्वरूप धोखाधड़ी वाली दिनचर्या का पता लगाने में सटीकता और दक्षता में समग्र वृद्धि होती है।
एमएल-आधारित गणना उपभोक्ता के व्यवहार और धोखेबाज कार्रवाई की संभावना के बीच सूक्ष्म संबंधों को ब्राउज़ कर सकती है। छवियों और ग्रंथों सहित सेकंड में विशाल डेटा को पढ़ना और विश्लेषण करना संभव है।
आप उच्च स्तरीय धोखाधड़ी का पता लगाने वाले प्लेटफ़ॉर्म के लिए नियोजित मशीन लर्निंग की दो किस्में पा सकते हैं: पर्यवेक्षित और अनुपयोगी। पर्यवेक्षित एमएल को धोखाधड़ी या गैर-धोखाधड़ी के रूप में टैग किए गए प्राचीन डेटा के साथ-साथ एल्गोरिदम भी खिलाया जाता है, फिर किसी भी भ्रामक गतिविधि को निर्धारित करने के लिए इस डेटा का उपयोग करता है।
अनुपयोगी एमएल को सिर्फ बड़ा डेटा खिलाया जाता है और यह जानकारी को सीखकर और निर्माण करके विषम व्यवहार या किसी भी दुर्भावनापूर्ण हमले को समझ सकता है। एक ठोस धोखाधड़ी पहचान प्रणाली विकसित करने के लिए इन दोनों प्रकारों का व्यक्तिगत रूप से या संयोजन में उपयोग किया जा सकता है।
एमएल झूठी सकारात्मकता को कम करता है
धोखाधड़ी की संभावना का पता लगाते हुए, सबसे पारंपरिक प्रणाली एक मानक लेनदेन को धोखाधड़ी के रूप में पढ़ती है और इसे रोकती भी है। इसे झूठी सकारात्मक कहा जाता है। यह गिरावट अवांछित है क्योंकि यह अक्सर ग्राहक भक्ति में बदलाव का कारण बनती है। क्योंकि मशीन लर्निंग एल्गोरिदम सही हैं, यह फर्जी गिरावट या झूठी सकारात्मकता के कारण बैंकों को होने वाले बड़े नुकसान को कम करने में मदद करता है।
भविष्य की मशीन-लर्निंग आधारित सुरक्षा प्रणाली में चेहरा पहचानना भी शामिल हो सकता है। एमएल उपयोगकर्ता की आंखों में नसों के नेटवर्क का विश्लेषण और याद भी कर सकता है। यह उपयोगकर्ता की निजी जानकारी के दुरुपयोग की संभावना को कम करने में मदद करता है।
इसमें कोई संदेह नहीं है कि दुनिया भर में हो रही परिष्कृत और बुद्धिमान धोखाधड़ी से लड़ने के लिए मशीन लर्निंग आपका हथियार होगा। चूंकि फिनटेक और फिनसर्व व्यवसाय डिजिटल इंडिया की सतह का विस्तार और विस्तार करते हैं, इसलिए मशीन लर्निंग को अपनाना संभवतः आगे बढ़ने का सबसे अच्छा तरीका हो सकता है।