Deteksi penipuan AI di perbankan

Dengan menganalisis kumpulan data besar, model AI dapat belajar mengenali perbedaan antara aktivitas mencurigakan dan transaksi yang sah, dan mereka dapat membantu mengidentifikasi kemungkinan risiko penipuan untuk mencegah kejahatan keuangan—bahkan menangkap tren yang mungkin terlewatkan oleh agen manusia.

Lembaga keuangan semakin mengintegrasikan solusi AI ke dalam alur kerja baru dan yang sudah ada untuk meningkatkan pengambilan keputusan, pencegahan penipuan, dan manajemen risiko. Model machine learning yang didukung AI yang dilatih pada data historis dapat menggunakan pengenalan pola untuk secara otomatis menangkap dan memblokir kemungkinan transaksi penipuan agar tidak dieksekusi. Mereka juga mungkin mengharuskan agen manusia untuk menyelesaikan langkah-langkah autentikasi tambahan untuk memverifikasi transaksi yang mencurigakan. Teknologi AI juga dapat menggunakan analitik prediktif untuk memperkirakan jenis transaksi masa depan yang mungkin dilakukan seseorang, dan dapat mengenali apakah jenis transaksi atau perilaku transaksional baru tampak tidak biasa. 

Dengan cara ini, fintech AI dapat membantu melindungi individu dari kerugian finansial yang diakibatkan oleh berbagai jenis penipuan, termasuk penipuan phishing, pencurian identitas, penipuan pembayaran, penipuan kartu kredit, dan berbagai jenis penipuan perbankan lainnya.

Sistem deteksi penipuan AI tidaklah sempurna, dan beberapa positif palsu dapat berdampak negatif terhadap pengalaman secara keseluruhan. Namun, mencegah penipu melakukan kejahatan keuangan mulai dari biaya yang tidak sah hingga pencucian uang adalah hal yang sangat penting untuk memastikan keamanan akun klien dan menjaga kepatuhan terhadap peraturan bagi lembaga keuangan.

Kemajuan teknologi AI terus berlanjut, penyedia pencegahan penipuan berbasis AI dan lembaga keuangan terkemuka mengandalkan AI untuk menjadi alat yang lebih berharga dalam mencegah upaya penipuan dan mengurangi risiko penipuan.

Teknologi AI memungkinkan komputer untuk berperilaku, belajar, beradaptasi, memecahkan masalah, dan bertindak dengan otonomi dengan cara yang mirip dengan kognisi manusia. Meskipun sistem AI belum tentu secerdas manusia biasa, ketika beroperasi dalam sistem berbasis aturan yang ketat, AI yang dilatih dan difokuskan pada tugas-tugas tertentu dapat menyamai atau mengungguli agen manusia dengan kecepatan yang jauh lebih tinggi dan skala yang jauh lebih besar. 

Sistem AI yang digunakan dalam pencegahan penipuan perbankan sangat disesuaikan untuk tugas-tugas tertentu. Model AI dilatih menggunakan sejumlah besar data yang dikurasi dengan hati-hati melalui proses yang disebut pembelajaran dengan pengawasan. Metode ini mengajarkan model untuk mengenali pola tertentu untuk tugas-tugas tertentu.

Sebaliknya, pembelajaran tanpa pengawasan memungkinkan sistem AI untuk menarik kesimpulan dari data sebelumnya tanpa materi pelatihan yang terarah.

Dalam skenario pembelajaran dengan pengawasan, sistem AI dilatih tentang taktik khusus untuk memandu pengenalan pola. Contoh kumpulan data pembelajaran dengan pengawasan mungkin terlihat seperti ribuan catatan keuangan normal yang dicampur dengan contoh perilaku penipuan yang teridentifikasi, seperti transaksi berjumlah sangat besar atau transfer uang ke alamat penipuan yang diketahui.

AI dilatih dengan cara ini agar menjadi sangat terampil dalam mengenali transaksi rata-rata yang mungkin sah dan transaksi yang umum pada pola perilaku penipuan yang diketahui. 

Teknik deteksi anomali tanpa pengawasan digunakan untuk mengisi celah yang mungkin kurang dikuasai oleh model pelatihan dengan pengawasan. Teknik-teknik ini memberdayakan model AI untuk mengenali pola perilaku yang sebelumnya tidak diprediksi — tetapi masih terkesan janggal. Penggunaan sistem AI dengan fungsionalitas pembelajaran tanpa pengawasan dapat menganalisis data baru untuk deteksi kemungkinan taktik penipuan sebelum agen manusia menyadari ancaman tersebut. 

Melalui pembelajaran dengan dan tanpa pengawasan, bank dapat menggunakan otomatisasi AI untuk menyaring pola penipuan yang telah dikonfirmasi sebelumnya dan membunyikan alarm jika pola yang tidak diketahui menunjukkan kemungkinan aktivitas penipuan baru.

Salah satu aplikasi paling umum untuk teknologi AI adalah chatbot media sosial, sebuah program otomatis yang dapat melakukan percakapan dengan pelanggan. Chatbot seperti ini sering digunakan untuk layanan pelanggan, menjawab pertanyaan dasar dan memberikan informasi secara real-time tanpa harus menunggu agen manusia.

Di luar layanan pelanggan, industri perbankan menggunakan banyak jenis program dan perangkat lunak lain yang menggabungkan AI untuk mengidentifikasi dan mencegah potensi penipuan. Bank menggunakan sistem AI untuk deteksi real-time, menugaskan program berkemampuan AI untuk menganalisis sejumlah besar transaksi untuk mengidentifikasi dan menandai aktivitas akun yang mencurigakan dengan berbagai cara, termasuk yang berikut: 

• Dukungan tenaga kerja: Pekerja manusia yang melakukan pencegahan penipuan tradisional dapat mengakses asisten AI berbasis LLM untuk berkomunikasi dengan bahasa alami dan mengajukan kueri kumpulan data besar atau mereferensikan dokumen kebijakan yang panjang dan rumit.

• Kepatuhan terhadap peraturan: Bank berada di bawah tekanan besar untuk tetap mematuhi peraturan. Program AI dapat membantu bank menerapkan kebijakan Know Your Customer (KYC) dengan visi komputer dengan menganalisis dokumen verifikasi identitas untuk setiap inkonsistensi atau tanda-tanda penipuan. Mereka juga dapat membantu bank menerapkan proses Anti Pencucian Uang (AML) dengan menandai akun yang diketahui atau perilaku yang terkait dengan pencucian uang ilegal, seperti pergerakan jumlah mata uang yang sama di antara rekening yang berbeda. 

• Deteksi anomali: Sistem AI sangat berguna untuk aplikasi apa pun yang memerlukan pengenalan pola. Jenis AI tertentu, yang dikenal sebagai jaringan saraf grafik (graph neural networks atau GNN), dirancang untuk memproses data yang dapat direpresentasikan sebagai grafik, seperti data yang sangat umum dalam industri. GNN mampu memproses miliaran catatan untuk mengidentifikasi pola pada kumpulan data yang luas untuk melacak dan menangkap penipuan yang paling rumit sekalipun. 

• Risiko penilaian: AI dan model machine learning dibangun di atas data tertimbang untuk menetapkan probabilitas pada tindakan potensial dan menilai keputusan atau tindakan mereka yang paling akurat. Dengan demikian, mereka dapat membuat penilaian berdasarkan berbagai faktor, seperti jumlah transaksi, frekuensi, lokasi, dan perilaku di masa lalu, sehingga sangat cocok untuk menentukan risiko. AI dapat menentukan risiko transaksi tertentu, serta risiko pemberian pinjaman atau jalur kredit kepada pemohon yang berpotensi melakukan penipuan. 

• Analisis jaringan: Teknik machine learning seperti analisis grafik dapat digunakan untuk mengungkap jaringan penipu potensial dengan menganalisis hubungan antara entitas dan mengidentifikasi koneksi atau klaster yang mencurigakan.

Sistem AI mengantarkan era baru deteksi penipuan dan keamanan di industri perbankan, menawarkan peningkatan dramatis dibandingkan metode deteksi penipuan tradisional. Namun, model AI dibangun berdasarkan pembelajaran dan praktik dari sistem tradisional, dan metode tradisional masih memiliki tempatnya. 

• Implementasi mudah: Teknik deteksi penipuan tradisional dibangun di atas pendekatan berbasis aturan yang telah ditetapkan yang mapan dan mudah dieksekusi. Misalnya, menandai setiap transaksi baru yang melebihi kisaran rata-rata tertentu berdasarkan kebiasaan belanja akun tertentu. 

• Kecerdasan manusia: Analis deteksi penipuan manusia tradisional membawa tingkat pengalaman domain, intuisi, dan keahlian tertentu. Dalam beberapa situasi, hanya manusia yang terlatih yang dapat memverifikasi keabsahan suatu transaksi atau mengenali potensi upaya penipuan. 

• Cakupan yang terbatas: Sistem deteksi penipuan tradisional yang berbasis aturan bergantung pada hubungan yang tetap (misalnya, jika X, maka Y). Meskipun mungkin efektif, pendekatan ini juga tidak dapat mempertimbangkan kemungkinan interaksi yang luas dan kompleks antara banyak titik data yang berbeda. 

• Skala terbatas: Ketika volume transaksi membeludak, sistem tradisional yang dibangun dan dikelola oleh spesialis deteksi penipuan bertenaga manusia kesulitan untuk dengan cepat memproses makin banyaknya data yang dihasilkan setiap menit per harinya. Mempekerjakan lebih banyak pekerja tidak hanya mahal, bahkan mungkin tidak cukup. 

• Tingkat kesalahan tinggi: Sistem berbasis aturan yang digunakan dalam sistem deteksi penipuan tradisional biasanya sangat kaku, yang terpicu setiap kali indikator penipuan potensial ditemukan. Kekakuan ini dapat menyebabkan volume positif palsu yang tinggi. Misalnya, jika akun tertentu tidak pernah melakukan penarikan lebih dari USD 100 dan kemudian mencoba menarik dua kali lipatnya, sistem kemungkinan besar akan memblokir transaksi tersebut. Namun, meskipun perilaku ini tidak biasa, itu tidak selalu menunjukkan penipuan. Dalam situasi ini, pelanggan mungkin sekadar perlu melakukan penarikan yang sangat besar. Hasil positif palsu ini dapat memicu penyelidikan dan penundaan yang tidak perlu, yang menyebabkan penurunan kepuasan pelanggan.

• Pengenalan pola yang ditingkatkan: Sistem AI sangat baik dalam menyerap data dalam jumlah besar untuk mengenali pola yang kompleks dan tidak jelas. Dengan melihat gambaran yang lebih besar, sistem AI dapat mengidentifikasi aktivitas anomali dengan akurasi yang lebih baik.

• Skalabilitas besar-besaran: Melalui otomatisasi, sistem AI dapat memantau sejumlah besar transaksi jauh lebih besar daripada yang bisa dikelola manusia. Deteksi penipuan yang didukung AI mampu melakukan analisis waktu nyata dan dapat memberikan respons cepat lebih cepat daripada metode tradisional. 

• Kemampuan beradaptasi: Setelah dilatih, algoritma AI tidak berhenti belajar. Ketika sistem AI lanjutkan bekerja, mereka dapat belajar dan beradaptasi, meningkatkan kemampuan mereka untuk menangkap jenis penipuan baru dan meningkatkan keandalan AI.

• Tergantung data: model AI membutuhkan data dalam jumlah sangat besar untuk melatih, dipelajari, dan dikembangkan. Data ini harus bersumber atau dibuat (data sintetis), tetapi juga dikurasi. Keakuratan model AI tertentu bergantung pada kualitas data pelatihan. 

• Implementasi yang kompleks: Sistem AI mungkin sulit diintegrasikan ke dalam sistem yang sudah ada. Meski sistem AI menghemat uang dalam jangka panjang, ini juga dapat memerlukan investasi awal yang besar. 

Sejak implementasi, berbagai lembaga keuangan dan bank telah menemukan bukti signifikan untuk mendukung peningkatan adopsi deteksi penipuan AI. Dengan menggunakan model AI memori jangka pendek panjang (LSTM) yang canggih, American Express mampu meningkatkan deteksi penipuan sebesar 6%. Dan PayPal mampu meningkatkan deteksi penipuan real-time sebesar 10% melalui sistem AI yang berjalan sepanjang waktu, di seluruh dunia. 

Dalam praktiknya, contoh penggunaan untuk deteksi penipuan AI di perbankan sangat banyak dan terus bertambah, termasuk yang berikut ini.

Sebagai teknologi revolusioner, deteksi penipuan AI sudah memiliki dampak dramatis pada industri perbankan, dengan potensi yang lebih besar. Namun, terlepas dari banyaknya keunggulan yang ditawarkan oleh AI, teknologi baru ini bukannya tanpa tantangan.

Sistem AI menjadi semakin baik setiap hari, tetapi mereka tidak sempurna. Model AI sering kali dapat menghasilkan hasil yang tidak akurat, yang dikenal sebagai halusinasi. Dalam perbankan, hasil yang tidak akurat dapat dikurangi dengan membuat model hiper-khusus yang dirancang untuk tugas yang sangat spesifik, tetapi jenis model ini membatasi nilai potensial AI. Meskipun halusinasi tidak begitu umum hingga membuat AI tidak dapat digunakan, peningkatan akurasi akan sangat penting untuk kemajuan AI dalam perlindungan penipuan perbankan.

Bias dalam analisis data telah menjadi masalah sejak hari-hari awal sains, lama sebelum teknologi komputer. Sayangnya, masalah ini tetap ada. Di bidang layanan keuangan yang sensitif, banyak upaya telah dilakukan untuk menghilangkan bias dan diskriminasi dari praktik peminjaman dan perlindungan rekening. Menghilangkan bias dalam model AI yang dibangun oleh ahli teknologi yang berpotensi bias merupakan tantangan penting yang harus diatasi untuk menghindari diskriminasi berdasarkan faktor-faktor seperti jenis kelamin, ras, kecacatan, dan agama.

Masalah tata kelola privasi data sangat penting dalam industri perbankan. Model AI memerlukan akses ke sejumlah besar data, yang harus diperoleh dan diproses secara etis. Selain itu, implementasi AI juga harus sangat dipertimbangkan untuk menghindari pelanggaran hukum privasi data yang ada. Memang, seiring dengan perkembangan teknologi baru ini, para pembuat undang-undang dan regulator mungkin perlu menilai dan memperbarui lingkungan peraturan kami saat ini untuk memastikan privasi pelanggan yang aman.