زيادة ملحوظة في دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي؛ من ٥٩٪ إلى ٩٧٪ في ليلة واحدة.

دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي

نجحت شركة Stripe، إحدى أبرز منصات الدفع عبر الإنترنت في العالم، في زيادة دقة كشف الاحتيال في المعاملات بشكل مذهل من ٥٩٪ إلى ٩٧٪ خلال ليلة واحدة باستخدام الذكاء الاصطناعي. يُعد هذا الإنجاز مثالاً بارزاً على التأثير الإيجابي لتطبيقات الذكاء الاصطناعي في مجال التكنولوجيا المالية وأمن الدفع.

في حدث Stripe Sessions الأخير، كشفت الشركة عن نموذجها الجديد المسمى Payments Foundation Model، والذي يُقال إنه أول نموذج أساسي عالمي في مجال المدفوعات، ويهدف إلى تحسين دقة كشف الاحتيال وتعزيز مستوى الأمان في المعاملات المالية.

دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي

حل تحدي اختبار بطاقات الائتمان بالنموذج الجديد

أحد التهديدات الشائعة في عالم الدفع هو اختبار بطاقات الائتمان. في هذه الهجمات، يستخدم المهاجمون معلومات بطاقات مسروقة للتحقق من صحتها من أجل سوء استخدامها لاحقًا. نموذج Stripe الجديد، الذي يركز على هذا النوع من الهجمات، حقق أداءً أفضل بكثير مقارنة بالطرق التقليدية.

الاستخدام الإبداعي للمحوّلات في نمذجة الدفع

غوتام كيديا، مدير تعلم الآلة في Stripe، أوضح على لينكدإن أن النماذج السابقة للشركة كانت فعالة إلى حد ما، لكنها كانت تتطلب تصميمًا وتدريبًا منفصلين لكل مهمة. وأضاف: "استلهمنا من بنية نماذج اللغة الكبيرة (LLM)، وقررنا استخدام المحولات لبناء نموذج شامل. رغم أن هيكلية المدفوعات تختلف تمامًا عن اللغة، إلا أننا وجدنا أن هذا النموذج يستطيع فهم العلاقات الخفية بين بيانات المعاملات كما يفهم الكلمات في الجمل."

يقوم هذا النموذج بتمثيل كل دفعة كمتجه كثيف ومتعدد الأبعاد باستخدام بيانات من مليارات المعاملات. ونتيجة لذلك، تتجمع المعاملات المماثلة في فضاء متجه محدد، مما يمكّن Stripe من اكتشاف أنماط معقدة كانت تُهمل سابقًا.

دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي

قفزة في الدقة والأداء في كشف الاحتيال

أعلنت شركة Stripe أنه باستخدام نموذج تصنيف يعتمد على المتجهات المستخرجة من النموذج الأساسي، تمكنت من اكتشاف هجمات اختبار البطاقات وإيقافها قبل حدوثها بالكامل. وقد أدى هذا الإجراء إلى زيادة غير مسبوقة في معدل اكتشاف الاحتيال في هذه الهجمات، من ٥٩٪ إلى ٩٧٪.

يعتقد كيديا أن المعاملات المالية، مثل الكلمات، تمتلك علاقات دلالية لا يمكن فهمها إلا من خلال التحليل الاتجاهي، وهي قدرة لم تكن هندسة الخصائص اليدوية قادرة على تقديمها.

دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي

استرداد مليارات الدولارات من المعاملات المرفوضة عن طريق الخطأ.

في أعقاب نجاحاته، تمكنت Stripe من استرداد أكثر من 6 مليارات دولار من المعاملات التي رفضتها البنوك المُصدِرة عن طريق الخطأ. ولعبت الأداة الذكية Adaptive Acceptance دوراً مهماً في اكتشاف أنماط الرفض الخاطئ للمعاملات.

كان النموذج المستخدم في هذه الأداة في البداية XGBoost، لكن Stripe استبدلته بإصدار محسّن من المحولات الجدولية يُدعى TabTransformer+ بهدف تحسين الأداء. نجح هذا النموذج الجديد في زيادة دقة اكتشاف المعاملات المرفوضة بالخطأ بنسبة تصل إلى 70% وتقليل المحاولات المتكررة لإتمام المعاملات بنسبة 35%.

انخفاض كبير في دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي

بالإضافة إلى ذلك، تم تحديث نظام مكافحة الاحتيال في Stripe المسمى Radar بميزات جديدة مثل التوثيق التلقائي. يمكن لهذه الأداة تفعيل المصادقة الثنائية تلقائيًا للمعاملات المشبوهة. أظهرت النتائج الأولية لتطبيق هذا النظام انخفاضًا بنسبة 30٪ في معدلات الاحتيال في المعاملات التي تم مراجعتها.

النظرة المستقبلية: الذكاء الاصطناعي في قلب صناعة الدفع

تُظهر دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي أن مستقبل صناعة الدفع لا يمكن تصوره بدون الذكاء الاصطناعي. تسير شركات مثل Razorpay على نفس الطريق، حيث تستخدم الذكاء الاصطناعي لتحسين العمليات، وتقليل تأخيرات الدفع، وإدارة عمليات الإرجاع.

في النهاية، تثبت جهود Stripe أن الذكاء الاصطناعي يمكنه ليس فقط تعزيز الأمان بل أيضًا تحويل تجربة الدفع للعملاء. يمكن أن يكون هذا المسار نموذجًا ملهمًا لشركات التكنولوجيا المالية الأخرى.

دقة كشف الاحتيال في Stripe باستخدام الذكاء الاصطناعي

المصدر: hooshio

انقر على الرابط أدناه لقراءة المزيد من الأخبار المتعلقة بالذكاء الاصطناعي.
صفحة مدونة كيش آي‌فيجن