دقت تشخیص تقلب در Stripe با هوش مصنوعی
شرکت Stripe، یکی از پیشروترین پلتفرم‌های پرداخت آنلاین در دنیا، موفق شده است با بهره‌گیری از هوش مصنوعی، دقت شناسایی تقلب در تراکنش‌ها را به‌طور خیره‌کننده‌ای از ۵۹ درصد به ۹۷ درصد تنها در یک شب افزایش دهد. این موفقیت، نمونه‌ای برجسته از تأثیرات مثبت کاربرد هوش مصنوعی در حوزه فین‌تک و امنیت پرداخت‌ها به شمار می‌رود.
در رویداد اخیر Stripe Sessions، این شرکت از مدل جدید خود تحت عنوان Payments Foundation Model رونمایی کرد؛ مدلی که ادعا می‌شود اولین مدل بنیادی جهان در حوزه پرداخت است و با هدف تشخیص دقیق‌تر تقلب‌ها و ارتقاء سطح امنیت در تراکنش‌های مالی توسعه یافته است.
دقت تشخیص تقلب در Stripe با هوش مصنوعی
حل چالش آزمون کارت‌های اعتباری با مدل جدید
یکی از تهدیدهای رایج در دنیای پرداخت، آزمون کارت‌های اعتباری است. در این حملات، مهاجمان با استفاده از اطلاعات کارت‌های سرقت‌شده، اقدام به بررسی اعتبار آن‌ها برای سوءاستفاده‌های بعدی می‌کنند. مدل جدید Stripe با تمرکز بر این نوع حملات، توانسته عملکرد به‌مراتب بهتری نسبت به روش‌های سنتی داشته باشد.
استفاده خلاقانه از ترانسفورمرها در مدل‌سازی پرداخت
گاتام کدیا، مدیر یادگیری ماشین در Stripe، در توضیحی در لینکدین بیان کرد که مدل‌های قبلی این شرکت هرچند تا حدی مؤثر بودند، اما نیاز به طراحی و آموزش جداگانه برای هر وظیفه داشتند. او افزود: «با الهام از معماری مدل‌های زبانی بزرگ (LLM)، تصمیم گرفتیم از ترانسفورمرها برای ساخت یک مدل جامع استفاده کنیم. اگرچه ساختار پرداخت‌ها کاملاً با زبان تفاوت دارد، اما ما دریافتیم که این مدل می‌تواند روابط پنهانی میان داده‌های تراکنش را همانند ارتباط کلمات در جملات درک کند.»
این مدل با استفاده از داده‌های میلیاردها تراکنش، هر پرداخت را به صورت برداری متراکم و چندبعدی نمایش می‌دهد. در نتیجه، تراکنش‌های مشابه در فضای برداری خاصی هم‌گروه می‌شوند و Stripe قادر است الگوهای پیچیده‌ای که قبلاً نادیده گرفته می‌شدند را شناسایی کند.
دقت تشخیص تقلب در Stripe با هوش مصنوعی
جهش دقت و عملکرد در شناسایی تقلب
Stripe اعلام کرده که با کمک مدل طبقه‌بندی مبتنی بر بردارهای خروجی از مدل بنیادی، توانسته حملات آزمون کارت را پیش از وقوع کامل، شناسایی و متوقف کند. همین اقدام باعث شد نرخ شناسایی تقلب در این حملات، به شکل بی‌سابقه‌ای از ۵۹ به ۹۷ درصد افزایش یابد.
کدیا معتقد است که تراکنش‌های پرداختی، همچون کلمات، دارای وابستگی‌های معنایی هستند که تنها با تحلیل برداری می‌توان آن‌ها را درک کرد؛ قابلیتی که مهندسی دستی ویژگی‌ها قادر به ارائه آن نبود.
دقت تشخیص تقلب در Stripe با هوش مصنوعی
بازیابی میلیاردها دلار تراکنش اشتباه ردشده
در ادامه موفقیت‌ها، Stripe با به‌کارگیری هوش مصنوعی توانسته بیش از ۶ میلیارد دلار تراکنش را که به‌اشتباه از سوی بانک‌های صادرکننده رد شده بودند، بازگرداند. ابزار هوشمند Adaptive Acceptance نقش مهمی در این فرآیند ایفا کرده و توانسته الگوهای رد اشتباه تراکنش‌ها را تشخیص دهد.
مدل مورد استفاده در این ابزار ابتدا XGBoost بود، اما Stripe با هدف بهبود عملکرد، آن را با نسخه ارتقاءیافته‌ای از ترنسفورمرهای جدولی موسوم به TabTransformer+ جایگزین کرد. این مدل جدید توانست دقت شناسایی تراکنش‌های ردشده اشتباهی را تا ۷۰ درصد ارتقا دهد و تعداد تلاش‌های تکراری برای تکمیل تراکنش را تا ۳۵ درصد کاهش دهد.
کاهش چشمگیر دقت تشخیص تقلب در Stripe با هوش مصنوعی
علاوه بر این، سیستم ضدتقلب Stripe با نام Radar نیز با قابلیت‌های جدیدی چون احراز هویت خودکار به‌روزرسانی شده است. این ابزار می‌تواند احراز هویت دو مرحله‌ای را به‌صورت خودکار برای تراکنش‌های مشکوک فعال کند. نتیجه اولیه اجرای این سیستم، کاهش ۳۰ درصدی میزان تقلب در تراکنش‌های بررسی‌شده بوده است.
نگاه آینده: هوش مصنوعی در قلب صنعت پرداخت
دقت تشخیص تقلب در Stripe با هوش مصنوعی در این حوزه نشان می‌دهد که آینده صنعت پرداخت، بدون استفاده از هوش مصنوعی قابل تصور نیست. شرکت‌هایی مانند Razorpay نیز در مسیر مشابهی حرکت کرده‌اند و از هوش مصنوعی برای بهینه‌سازی عملیات، کاهش تأخیرهای پرداخت و مدیریت بازگشت کالا استفاده می‌کنند.
در نهایت، تلاش‌های Stripe ثابت می‌کند که هوش مصنوعی می‌تواند نه‌تنها امنیت را ارتقا دهد، بلکه تجربه پرداخت مشتریان را نیز دگرگون سازد. این مسیر می‌تواند الگویی الهام‌بخش برای سایر شرکت‌های فین‌تک باشد.
دقت تشخیص تقلب در Stripe با هوش مصنوعی
منبع: هوشیو
برای مطالعه سایر اخبار مرتبط با حوزه هوش مصنوعی روی لینک زیر کلیک کنید.
صفحه بلاگ کیش آی‌ویژن
