Maschinelles Lernen (ML) ist ein entscheidendes Werkzeug zur Kontrolle von Betrug bei E-Commerce-Transaktionen. Stellen Sie sich das so vor, als würden Sie einem Detektiv beibringen, zweifelhaftes Verhalten zu erkennen und den Täter zu fassen, aber anstelle einer Particular person ist es ein Laptop, der verschiedene ML-Algorithmen verwendet, um Muster zu erkennen und Vorhersagen sowie Entscheidungen auf der Grundlage verfügbarer Daten zu treffen.

Arten von Betrug im E-Commerce

E-Commerce-Betrug ist sowohl für Unternehmen als auch für Verbraucher ein ernstes Drawback. Es ist wichtig, es zu stoppen, denn es schützt Unternehmen vor Geldverlusten, schützt Kunden vor Identitätsdiebstahl und trägt dazu bei, Vertrauen in On-line-Einkäufe aufzubauen.

Dennoch ist es eine Herausforderung, Betrug zu erkennen, da Betrüger ständig neue Wege finden, das System auszutricksen. Lassen Sie uns die verschiedenen Arten von Betrug im E-Commerce untersuchen. Wenn Sie diese verstehen, erfahren Sie, wie ML und andere Werkzeuge Tragen Sie dazu bei, On-line-Procuring sicherer zu machen.

1. Kreditkartenbetrug

Wenn jemand gestohlene Kreditkartendaten nutzt, um ohne die Erlaubnis des Karteninhabers einzukaufen, spricht man von Kreditkartenbetrug. Betrüger gelangen häufig über Datenschutzverletzungen, Phishing-Betrügereien oder das Darkish Net an diese Daten.

Beispiel aus der Praxis:

Stellen Sie sich vor, Sie besitzen einen On-line-Store und jemand gibt mit einer gestohlenen Kreditkarte eine umfangreiche Elektronikbestellung auf. Sie bearbeiten die Bestellung und versenden die Artikel, doch kurz darauf meldet der echte Karteninhaber den Betrug. Die Financial institution retourniert dann die Belastung, so dass Sie weder das Geld noch die Produkte erhalten.

Lösung:

ML kann helfen, indem es Transaktionsmuster analysiert, um zweifelhafte Aktivitäten wie ungewöhnlich große Einkäufe oder Bestellungen von unbekannten Standorten zu erkennen.

2. Kontoübernahme (ATO)

Ein Betrüger, der sich für Einkäufe in das Konto eines echten Benutzers hackt, Kontodaten ändert oder gespeicherte Kreditkarteninformationen stiehlt, wird als ATO-Angriff bezeichnet. Sie gelangen oft durch den Diebstahl von Passwörtern durch Phishing-E-Mails oder durch das Erraten einfacher Passwörter.

Beispiel aus der Praxis:

Stellen Sie sich vor, ein Betrüger hackt sich in das Amazon-Konto eines Kunden ein. Sie könnten die Lieferadresse ändern und mit der hinterlegten Zahlungsart teure Artikel kaufen. Wenn sich der echte Benutzer anmeldet und sieht, dass sein Konto gehackt wurde, verursacht das viel Stress und Ärger und ist auch ein großer Verlust für das Unternehmen.

Lösung:

ML kann helfen, indem es auf ungewöhnliche Anmeldepraktiken achtet, etwa wenn sich jemand aus einem neuen Land oder Gerät anmeldet. Wenn etwas verdächtig erscheint, fordert das System möglicherweise eine zusätzliche Bestätigung an, z. B. einen Einmalcode, der an die E-Mail-Adresse oder das Telefon des echten Benutzers gesendet wird.

3. Freundlicher Betrug (Chargeback-Betrug)

Der Käufer beanstandet absichtlich eine gültige Gebühr, um sein Geld zurückzuerhalten und das Produkt zu behalten. Es wird „freundlicher Betrug“ genannt, weil es in der Regel vom Kunden und nicht von einem Außenstehenden begangen wird.

Beispiel aus der Praxis:

Stellen Sie sich vor, ein Kunde kauft ein Paar Schuhe in einem On-line-Store. Nachdem sie die Schuhe erhalten haben, teilen sie ihrer Financial institution mit, dass sie sie nie erhalten haben, und verlangen eine Rückerstattung. Der Laden muss das Geld zurückgeben, der Kunde behält aber weiterhin die Schuhe.

Lösung:

ML kann dabei helfen, Muster bei Rückbuchungen zu erkennen, etwa wenn ein Kunde häufig nach dem Kauf etwas über Gebühren bestreitet. Dies hilft dem System, verdächtige Kunden zu kennzeichnen, sodass das Unternehmen die Angelegenheit genauer untersuchen kann.

4. Identitätsdiebstahl und synthetischer Betrug

Wenn eine Particular person die Daten einer anderen Particular person nutzt, um Einkäufe zu tätigen, spricht man von einem Identitätsdiebstahl-Angriff. Beim synthetischen Betrug stellen sie künstliche Identitäten her, indem sie echte und erfundene Daten vermischen, um Sicherheitskontrollen zu umgehen. Möglicherweise erstellen sie sogar ein gefälschtes Profil auf einer Einkaufsseite, um Artikel zu kaufen oder Geld zu verdienen.

Beispiel aus der Praxis:

Ein Betrüger könnte auf einer Web site mit einer gefälschten Identität ein neues Konto erstellen, Artikel auf Kredit kaufen und dann verschwinden, ohne zu bezahlen.

Lösung:

ML hilft durch die Analyse von Kundendaten und -routinen. Wenn ein neues Konto beispielsweise eine große Bestellung aufgibt, ohne dass zuvor ein Kaufdatensatz vorliegt, markiert das System diese möglicherweise zur Überprüfung oder erfordert eine zusätzliche Überprüfung, bevor die Bestellung genehmigt wird.

6. Phishing und Social Engineering

Bei Phishing- und Social-Engineering-Betrug verleiten Angreifer Kunden dazu, ihre Daten wie Anmelde- oder Kreditkartendaten preiszugeben. Dies geschieht in der Regel über gefälschte E-Mails, Web sites oder Nachrichten, die den Anschein erwecken, als kämen sie von einer vertrauenswürdigen Quelle.

Beispiel aus der Praxis:

Ein Kunde erhält eine E-Mail, die aussieht, als käme sie von eBay, in der ihm mitgeteilt wird, dass es ein Drawback mit seinem Konto gibt, und in der er aufgefordert wird, sich über einen Hyperlink anzumelden. Wenn sie auf der gefälschten Web site ihren Benutzernamen und ihr Passwort eingeben, stiehlt der Betrüger diese Informationen und nutzt sie, um auf das echte Konto zuzugreifen, um Artikel zu kaufen oder Anmeldeinformationen zu ändern.

Lösung:

Hier hilft ML dabei, Phishing zu erkennen, indem es ungewöhnliche Anmeldeversuche oder seltsames Verhalten erkennt, z. B. Anmeldungen von neuen Geräten, IP-Adressen oder ungewöhnliche Aktivitäten auf dem Konto. Viele E-Commerce-Web sites scannen auch E-Mails, um Phishing-Versuche zu erkennen und Kunden auf gefälschte Nachrichten aufmerksam zu machen.

Einsatz von maschinellem Lernen zur Betrugsprävention bei E-Commerce-Transaktionen: Schritt für Schritt

Stellen Sie sich einen On-line-Store wie Amazon oder eBay vor, der jede Minute Tausende von Transaktionen abwickelt. Man kann nicht jedes einzelne überprüfen, um zu sehen, ob es echt ist oder nicht. Deshalb diese Unternehmen nutzen maschinelles Lernen, um den Prozess zu automatisieren. So funktioniert es:

Schritt 1: Daten sammeln

Der erste Schritt besteht darin, eine große Menge an Daten zu sammeln. Im E-Commerce umfassen diese Daten typischerweise:

• Transaktionsbeträge: Der Wert jedes Kaufs.
• Kaufhistorie: Eine Aufzeichnung vergangener Käufe, einschließlich Artikel, Mengen und Häufigkeit.
• Geografische Informationen: Der Ort, an dem die Transaktion stattfindet, einschließlich Particulars wie der IP-Adresse oder der Lieferadresse.
• Gerätedetails: Informationen über das für den Handel verwendete Gerät, einschließlich Modell, Betriebssystem und Webbrowser.

Diese Daten dienen als Rohmaterial für das Coaching des Modells. Durch die Analyse dieser Hinweise lernt das Modell, zwischen normalem und verdächtigem Verhalten zu unterscheiden.

Schritt 2: Muster finden

Dieser Prozess umfasst das Auffinden von Tendencies und Unregelmäßigkeiten in den Daten. Zum Beispiel:

• Ungewöhnliche Ausgaben: Wenn die meisten Kunden typischerweise weniger als 500 US-Greenback ausgeben, könnte eine Transaktion, die diesen Betrag übersteigt, als verdächtig gekennzeichnet werden.
• Geografische Anomalien: Eine plötzliche Änderung des Einkaufsstandorts eines Kunden, beispielsweise eine Bestellung aus einem Land, in dem er noch nie zuvor eingekauft hat, könnte auf einen möglichen Betrug hindeuten.

Schritt 3: Vorhersagen treffen

Nachdem das ML-Modell trainiert wurde, ist es bereit, Vorhersagen zu treffen. Wenn eine neue Transaktion stattfindet, betrachtet das Modell andere Particulars als die gelernten Daten. Wenn es etwas Ungewöhnliches bemerkt, etwa einen Anstieg der Ausgaben oder einen Kauf an einem seltsamen Ort, markiert es die Transaktion als möglicherweise intrigant.

Schritt 4: Entscheidungsfindung in Echtzeit

Der gesamte Prozess der Überprüfung von Transaktionen und der Entscheidungsfindung erfolgt sofort. Dies bedeutet, dass das maschinelle Lernmodell eine neue Transaktion schnell auf potenziellen Betrug analysiert, sobald sie abgeschlossen ist. Wenn es etwas Verdächtiges erkennt, kann es sofort handeln, zum Beispiel:

• Automatische Stornierung: Die Transaktion wird blockiert, um eine weitere Verarbeitung zu verhindern.
• Manuelle Überprüfung: Die Transaktion wird zur menschlichen Prüfung markiert, sodass ein Fabrikationsanalyst weitere Untersuchungen durchführen und ein endgültiges Urteil fällen kann.

Schritt 5: Lernen und verbessern

Ein großer Vorteil des maschinellen Lernens besteht darin, dass es sich im Laufe der Zeit immer weiter verbessert. Nachdem eine gefälschte Transaktion entdeckt wurde, lernt es daraus und verbessert die Erkennung von Betrug. Dieses ständige Lernen hilft dem System, einzigartige Methods zu vermeiden, die Betrüger anwenden könnten.

Letzte Worte

ML-Algorithmen können Transaktionsdaten schnell und genau in Echtzeit diagnostizieren, um ungewöhnliche Aktivitäten zu erkennen, potenziellen Betrug zu kennzeichnen und unregelmäßige Muster zu erkennen. Da Betrüger ständig neue Methoden anwenden, verbessert sich das maschinelle Lernen ständig, um neuen Taktiken immer einen Schritt voraus zu sein und sowohl Unternehmen als auch Verbraucher zu schützen.

Das Wachstum der künstlichen Intelligenz (KI) hat sich als eine der einflussreichsten Entwicklungen herausgestellt
in den letzten Jahrzehnten. Technologien wie ChatGPT, Gemini und Claude haben die KI allgegenwärtig gemacht und zu Echtzeitveränderungen in zahlreichen Branchen, einschließlich Finanzen und Advertising, geführt. Seit einigen Jahren nutzen auf Betrugsprävention spezialisierte Unternehmen KI, um ihre Abwehrmaßnahmen gegen die steigenden Risiken von On-line-Betrug zu stärken. Diese Systeme zeichnen sich dadurch aus, dass sie komplexe Daten analysieren und Tendencies und Muster erkennen, die für Menschen möglicherweise unbemerkt bleiben, was zu bemerkenswerten Ergebnissen führt.

Da KI-Instruments für die Öffentlichkeit immer zugänglicher geworden sind, stellen sie bei der Betrugsprävention zunehmend eine doppelte Bedrohung dar. Kriminelle haben begonnen, die leistungsstarken Fähigkeiten dieser Instruments für illegale Zwecke zu nutzen. Dieser alarmierende Development weckt allgemeine Bedenken hinsichtlich des Potenzials für KI-Missbrauch und unterstreicht die dringende Notwendigkeit von Schutzmaßnahmen.

Das Beste nach vorne bringen

In den USA hat das Thema bereits erhebliche Diskussionen ausgelöst, insbesondere nach der Einführung eines Entwurfs für eine KI-Invoice of Rights im Oktober 2022. Die Idee, strengere Vorschriften für KI einzuführen, ist sinnvoll. Allerdings stellt die Regulierung von Bereichen mit schnellem technologischen Fortschritt immer große Herausforderungen dar. Das Risiko unbeabsichtigter Folgen intestine gemeinter Richtlinien ist actual. Daher ist es wichtig, den Blueprint und seine potenziellen Auswirkungen auf die Betrugsprävention gründlich zu bewerten. Im Idealfall würden diese neuen Vorschriften die Möglichkeiten böswilliger Akteure wie On-line-Betrüger einschränken, KI-Instruments zu nutzen, um anderen zu schaden.

Ohne genauere Prüfung lässt sich nur schwer feststellen, ob dies tatsächlich der Fall sein wird. Diese Unsicherheit ergibt sich aus der Sorge, dass diese Vorschriften auch gutmeinende Entwickler daran hindern könnten, KI-Technologien zu verbessern und anzupassen, um den alarmierenden Anstieg des On-line-Betrugs zu bekämpfen. Hierin liegt das Risiko der oben erwähnten unbeabsichtigten Folgen. Angesichts des rasanten Tempos, mit dem sich die KI-Technologie weiterentwickelt, ist der Spielraum für Fehler bei der Verwaltung und Regulierung sehr gering – es ist wichtig, sie von Anfang an richtig zu machen.

BEWERTUNG DES ENTWURFSPLANS FÜR EINE KI-BILL OF RIGHTS

Der im Oktober 2022 veröffentlichte Blueprint for an AI Invoice of Rights dient als unverbindlicher Leitfaden für den ethischen Einsatz von KI. Sein Zweck besteht darin, Verbraucherrechte zu skizzieren und Einzelpersonen eine gewisse Kontrolle über die autonomen Instrumente und Entscheidungen zu gewähren, die in ihrem Namen getroffen werden. Seit seiner Veröffentlichung haben mindestens fünf Bundesbehörden in den Vereinigten Staaten den Blueprint übernommen, und im Juli 2023 haben sieben große KI-Unternehmen, darunter Google, OpenAI und Microsoft, seine Prinzipien freiwillig übernommen.

Das umfassende Rahmenwerk soll sicherstellen, dass KI-Systeme so entwickelt und implementiert werden, dass die Öffentlichkeit vor den potenziellen Risiken dieser Technologien geschützt wird. Zu diesem Zweck liegt ein Hauptaugenmerk des Blueprint auf der Schaffung sicherer und zuverlässiger Systeme. Insbesondere wird die Notwendigkeit gründlicher Checks vor der Bereitstellung, kontinuierlicher Überwachung und Einhaltung branchenspezifischer Requirements betont, um zu verhindern, dass KI-Systeme für schädliche Aktivitäten wie Betrug ausgenutzt werden.

Darüber hinaus plädiert der Blueprint für eine kontinuierliche Risikoerkennung und -minderung sowie eine unabhängige Bewertung von KI-Systemen, einschließlich solcher, die für illegale Aktivitäten ausgenutzt werden könnten. Dieser proaktive Ansatz zur Prävention KI-gestützter Kriminalität ist lobenswert. Die im Blueprint dargelegten Schutzmaßnahmen könnten zweifellos eine entscheidende Rolle bei der Eindämmung der Ausbreitung schädlicher Aktivitäten spielen. Gleichzeitig gibt es andere Bereiche, in denen die Auswirkungen möglicherweise differenzierter und weniger eindeutig sind.

DIE HERAUSFORDERUNG UNBEABSICHTIGTER KONSEQUENZEN

Eine potenzielle Herausforderung besteht darin, wie der Blueprint den Datenschutz angeht und welche Einschränkungen er der Wiederverwendung von Daten in sensiblen Bereichen auferlegt. Derzeit basieren viele Instruments zur Betrugsprävention auf hochentwickelten KI-Algorithmen, die eine schnelle Analyse großer Datenmengen erfordern, um betrügerische Aktivitäten zu erkennen. Wenn der Blueprint den Zugriff auf diese Daten einschränkt und es Unternehmen erschwert, diese Systeme zu entwickeln.

Wie bereits erwähnt, übersteigt die Leistungsfähigkeit KI-gestützter Lösungen zur Betrugsprävention häufig das bisher Mögliche. Die Einschränkung der Fähigkeit von Unternehmen, die diese Lösungen entwickeln, auf die Daten zuzugreifen oder diese zu nutzen, die sie benötigen, um sicherzustellen, dass sie so effektiv wie möglich arbeiten, könnte schädliche Folgen haben. Ohne den richtigen Ansatz könnten wir unbeabsichtigt ein Szenario schaffen, in dem die Versorgung mit diesen Systemen behindert wird. Dies wiederum würde bedeuten, dass Betrüger mit stark geschwächten Systemen zu kämpfen hätten, was langfristig zu einer Zunahme von On-line-Betrug führen könnte.

Darüber hinaus könnten die Anforderungen an eine unabhängige Bewertung und Berichterstattung von KI-Lösungen zu Verzögerungen führen und die Kosten erhöhen, die mit der Entwicklung KI-gestützter Betrugspräventionstools verbunden sind. Dies könnte wiederum Innovationen in diesem Bereich behindern und letztlich Betrügern zugute kommen. Da die On-line-Betrugsraten steigen und die wirtschaftlichen Herausforderungen zunehmen, müssen Unternehmen in den USA und darüber hinaus möglichst zeit- und kosteneffektiv auf diese Lösungen zugreifen. Daher muss dieses Szenario vermieden werden.

HILFE ODER HINDERNIS?

Es ist noch zu früh, um festzustellen, ob sich diese Bedenken bewahrheiten werden. Wie bei den meisten Vorschriften in der Größenordnung des Blueprints ist es eine Herausforderung, seine Auswirkungen in diesem frühen Stadium der Umsetzung vollständig abzuschätzen. Die mit diesen Maßnahmen verbundenen Probleme verdeutlichen die sehr reale Gefahr einer Überregulierung, die die Entwicklung innovativer KI-Instruments, die für die langfristige Betrugsprävention unerlässlich sind, behindern könnte.

Um sicherzustellen, dass die KI-Entwicklung eine optimistic Kraft im Bereich der Betrugsprävention bleibt, müssen wir wachsam bleiben und diese Bedrohung offen ansprechen. Es ist von entscheidender Bedeutung, dass alle eingeführten Maßnahmen flexibel und anpassungsfähig bleiben und dass die Kommunikationskanäle zwischen Regulierungsbehörden und denjenigen, die im öffentlichen Interesse arbeiten, sowohl klar als auch präzise sind. Da sich die Richtlinie noch in der Anfangsphase befindet, ist es jetzt an der Zeit, diese Bedenken zum Ausdruck zu bringen und Lösungen zu finden.

Über den Autor

Tamas Kadar ist der Gründer und CEO von SEON. Er gründete das Unternehmen zusammen mit seinem Mitbegründer, als sie noch Studenten waren, und baute es von Grund auf auf. Er wurde in Forbes‘ „Hottest Younger Startups in Europe“ vorgestellt und ist regelmäßiger Gewinner von Startup-Pitches. Er ist ein wahrer Technik-Fanatic und Produktvisionär für die Schaffung einer Welt ohne Betrug und wurde kürzlich als Gesicht der Technologieliste in die Eliteliste „Forbes 30 Below 30 Europe“ aufgenommen.

Melden Sie sich für die kostenlosen insideAI-Information an Publication.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW