एआई धोखाधड़ी पहचान और भुगतान सुरक्षा का भविष्य

एक भुगतान सुरक्षा प्रणाली लगभग पूर्ण दिख सकती है जबकि वह अपने सबसे महत्वपूर्ण कार्य में विफल रहती है। यदि धोखाधड़ी लेन‑देन का केवल एक छोटा हिस्सा है, तो वह एल्गोरिदम जो सभी को मंजूरी देता है, अधिकांश समय सही रहेगा। ग्राहकों को कम व्यवधानों का सामना करना पड़ सकता है, लेकिन अपराधियों को कोई प्रतिरोध नहीं मिलेगा।

यह तनाव Herlina Manurung और Dyah Rizki Arinengsih द्वारा किए गए एक नए व्यवस्थित समीक्षण के केंद्र में स्थित है, जो Social Sciences & Humanities Open में प्रकाशित हुआ है।¹ वित्तीय रिपोर्टिंग, भुगतान, और नेटवर्क‑आधारित धोखाधड़ी पहचान पर 38 अध्ययनों को सम्मिलित करते हुए, शोधकर्ता तर्क देते हैं कि विश्वसनीय सुरक्षा के लिए केवल प्रभावशाली बेंचमार्क स्कोर पर्याप्त नहीं हैं।

बैंकों, भुगतान नेटवर्क और निवेशकों के लिए, इसके निहितार्थ व्यावहारिक हैं। बेहतर धोखाधड़ी पहचान राजस्व की रक्षा कर सकती है और संचालन लागत को कम कर सकती है। हालांकि, ये लाभ उन प्रणालियों पर निर्भर करते हैं जो संदिग्ध व्यवहार को वैध गतिविधि से अलग कर सकें, अपराधियों के अनुकूलन के साथ उपयोगी रहें, और ऐसी साक्ष्य प्रदान करें जिनका उपयोग जाँचकर्ता कर सकें।

उच्च सटीकता क्यों कमजोर धोखाधड़ी पहचान को छिपा सकती है

एक काल्पनिक भुगतान मंच की कल्पना करें जो 100,000 लेन‑देन प्रोसेस करता है, जिनमें से 100 धोखाधड़ी वाले हैं। एक मॉडल जो प्रत्येक लेन‑देन को वैध के रूप में लेबल करता है, 99.9% सटीकता प्राप्त करता है जबकि बिल्कुल भी धोखाधड़ी का पता नहीं लगाता।

अब कल्पना करें कि एक प्रणाली 80 धोखाधड़ी वाले लेन‑देन पकड़ती है, लेकिन 99,900 वैध लेन‑देन में से 1% को गलत तरीके से चिह्नित करती है। यह 1,079 अलर्ट उत्पन्न करती है, जिनमें 999 झूठी चेतावनियाँ शामिल हैं। केवल लगभग 7.4% अलर्ट वास्तविक धोखाधड़ी की पहचान करते हैं। ये आंकड़े समस्या को दर्शाते हैं; ये समीक्षण के परिणाम नहीं हैं।

ऐसी प्रणाली अभी भी बड़े नुकसान को रोक सकती है, यह लेन‑देन के मूल्यों और अलर्ट को कैसे संभाला जाता है, इस पर निर्भर करता है। फिर भी, इसकी उपयोगिता केवल सटीकता से आंकी नहीं जा सकती। जाँचकर्ताओं को अलर्ट को प्रोसेस करना होगा, ग्राहकों को अनावश्यक चुनौतियों का सामना करना पड़ सकता है, और व्यापारियों को वैध बिक्री का नुकसान हो सकता है।

इसलिए समीक्षण सटीकता (precision), पुनः प्राप्ति (recall), और लागत‑संवेदनशील मूल्यांकन पर ज़ोर देता है। सटीकता यह मापती है कि चिह्नित मामलों में से कितने वास्तव में धोखाधड़ी हैं। पुनः प्राप्ति यह मापती है कि प्रणाली द्वारा कुल धोखाधड़ी में से कितना पकड़ा गया। कोई भी मेट्रिक त्रुटियों के वित्तीय परिणामों को समझने की आवश्यकता को प्रतिस्थापित नहीं करता।

व्यावसायिक लक्ष्य कुल नुकसान को कम करना है: धोखाधड़ी के नुकसान, जाँच खर्च, ग्राहक बाधा, और गलत डिक्लाइन के कारण खोया हुआ राजस्व।

धोखाधड़ी पहचान समीक्षण ने क्या पाया

लेखक अपने निष्कर्षों को चार आयामों के आसपास व्यवस्थित करते हैं: दुर्लभ घटनाओं और असमान त्रुटि लागतों का प्रबंधन, विश्वसनीय मूल्यांकन बनाए रखना, बदलती परिस्थितियों और जानबूझकर हेरफेर का प्रतिरोध, तथा संबंधों और व्याख्यात्मक साक्ष्य का उपयोग।

उनके वर्णनात्मक विश्लेषण से उन्नत मॉडलिंग और प्रलेखित लचीलापन परीक्षण के बीच अंतर उजागर होता है।

इन श्रेणियों में ओवरलैप है। गणनाएँ लेखकों के स्रोत सारांशों द्वारा समर्थित न्यूनतम आवृत्तियों को दर्शाती हैं, इसलिए कोई अनिर्दिष्ट विधि स्वचालित रूप से अनुपस्थित नहीं मानी जानी चाहिए।

समीक्षण में कुछ सीमाएँ भी हैं। इसका साक्ष्य मुख्यतः Scopus‑सूचित, अंग्रेज़ी‑भाषी शोध से आता है, और अपूर्ण ऐतिहासिक स्क्रीनिंग रिकॉर्ड उसकी ऑडिट ट्रेल को सीमित करते हैं। डेटासेट, धोखाधड़ी परिभाषाएँ, और मूल्यांकन विधियों में अंतर ने मात्रात्मक समेकन को रोक दिया। यह एक उपयोगी डिज़ाइन ढाँचा प्रदान करता है, न कि यह सिद्ध करने वाला प्रमाण कि कोई एल्गोरिदम लगातार सभी विकल्पों से बेहतर है।

भविष्य के खिलाफ धोखाधड़ी मॉडल का परीक्षण क्यों आवश्यक है

कल के लेन‑देन पर प्रशिक्षित मॉडल दो प्रकार के परिवर्तन का सामना करता है। वैध व्यवहार बदलता है जब ग्राहक यात्रा करते हैं, व्यापारी प्रमोशन शुरू करते हैं, और भुगतान आदतें विकसित होती हैं। अपराधी भी पहचान से बचने के लिए अपनी रणनीतियों को बदलते हैं। समीक्षण वितरण परिवर्तन को जानबूझकर प्रतिकूल व्यवहार से अलग करता है, और यह दर्शाता है कि दोनों क्यों महत्वपूर्ण हैं।

परीक्षण अनजाने में इन चुनौतियों को छुपा सकता है। ऐतिहासिक लेन‑देन का यादृच्छिक विभाजन निकट संबंधी रिकॉर्ड को प्रशिक्षण और मूल्यांकन दोनों सेटों में रख सकता है। तब मॉडल परिचित ग्राहकों या पैटर्न से लाभ उठाता है, जो वास्तविक नई गतिविधि का सामना करते समय आवश्यक नहीं होते।

बाद के अवधियों पर परीक्षण करना, या प्रशिक्षण और मूल्यांकन के बीच संस्थाओं को अलग करना, अधिक कठोर मूल्यांकन प्रदान करता है। फिर भी, तैनाती के बाद प्रदर्शन की निगरानी आवश्यक है।

यह धोखाधड़ी तकनीक का मूल्यांकन करने का एक अलग तरीका सुझाता है: यह पूछें कि गिरावट कितनी जल्दी दिखाई देती है और प्रणाली कितनी सुरक्षित रूप से पुनःस्थापित हो सकती है। यदि नया हमला कई हफ्तों तक अनदेखा रहता है तो एक मजबूत प्रारंभिक स्कोर का सीमित मूल्य होता है।

उपयोगी संचालन प्रश्न शामिल हैं:

• प्रबंधनीय अलर्ट मात्रा पर कितनी धोखाधड़ी पकड़ी जाती है?
• वैध लेनदेन कितनी बार बाधित होते हैं?
• जब व्यवहार बदलता है या हमलावर अनुकूलित होते हैं तो क्या होता है?
• क्या जांचकर्ता साक्ष्य को समझ और सत्यापित कर सकते हैं?

ग्राफ़ एआई धोखाधड़ी नेटवर्क को उजागर कर सकता है

व्यक्तिगत लेनदेन अक्सर पूरी कहानी नहीं बताते। कई सामान्य दिखने वाले भुगतान संदिग्ध हो सकते हैं जब वे एक ही डिवाइस साझा करते हैं, समान गंतव्य खाते से जुड़ते हैं, या व्यापारियों के बीच असामान्य क्रम बनाते हैं।

ग्राफ‑आधारित सीखना संस्थाओं को जुड़े नोड्स के रूप में दर्शाता है, जिससे मॉडल लेनदेन गुणों के साथ संबंधों की जाँच कर सकते हैं। यह समन्वित व्यवहार की पहचान करने में मदद कर सकता है, जिसे अलग‑अलग लेनदेन स्कोरिंग नजरअंदाज कर देती है।

संबंधात्मक विश्लेषण का व्यापक महत्व crypto wash trading and market manipulation तक विस्तृत है, जहाँ प्रतीत होने वाली स्वतंत्र गतिविधि समन्वय को छिपा सकती है। पहचान कार्य अलग हैं, लेकिन दोनों यह दर्शाते हैं कि संदर्भ के बिना समग्र गतिविधि भ्रामक हो सकती है।

ग्राफ़ अपनी स्वयं की कमजोरियों को पेश करते हैं। अपराधी संदिग्ध खातों को छुपाने के लिए प्रतीत होने वाले वैध कनेक्शन बना सकते हैं, जबकि पुरानी या अधूरी संबंध जोखिम मूल्यांकन को विकृत कर सकते हैं। इसलिए समीक्षा संरचनात्मक जानकारी को सत्यापित और संरक्षित करने योग्य मानती है, न कि बेहतर परिणामों की स्वचालित गारंटी।

यहाँ व्याख्याएँ भी महत्वपूर्ण हैं। एक अलर्ट के पीछे के खाते या लेनदेन पथ को जांचकर्ता को दिखाने से साक्ष्य की जांच आसान हो सकती है। यह स्वयं में यह स्थापित नहीं करता कि धोखाधड़ी हुई है।

बेहतर धोखाधड़ी पहचान भुगतान राजस्व की रक्षा कर सकती है

आर्थिक अवसर केवल चोरी रोकने से अधिक है। एक वैध लेनदेन का गलत तरीके से अस्वीकार होना ग्राहक को किसी अन्य कार्ड या व्यापारी की ओर ले जा सकता है। अत्यधिक अलर्ट भी स्टाफ का समय खा लेते हैं, जिसे अधिक गंभीर खतरों की जांच में उपयोग किया जा सकता था।

Securities.io के card networks, issuers, acquirers, and processors के स्पष्टीकरण के अनुसार, भुगतान कई व्यवसायों को शामिल करता है जिनकी भूमिकाएँ अलग‑अलग होती हैं। प्राधिकरण निर्णयों में सुधार लेन‑देन श्रृंखला के सभी चरणों में लाभ उत्पन्न कर सकता है, हालांकि ये लाभ सभी प्रतिभागियों को समान रूप से नहीं मिलेंगे।

Mastercard की 2026 की चर्चा में AI payment fraud prevention मैनुअल समीक्षाओं में कमी और कम झूठी सकारात्मकताओं को व्यावसायिक लक्ष्य के रूप में उजागर करती है। इसका विवरण व्यावसायिक संदर्भ प्रदान करता है, न कि शैक्षणिक समीक्षा की स्वतंत्र पुष्टि।

एक उपयोगी निहितार्थ यह है कि पहचान और हस्तक्षेप को साथ‑साथ मूल्यांकित किया जाना चाहिए। एक जोखिम स्कोर अस्थायी रोक, अतिरिक्त प्रमाणीकरण, मैनुअल समीक्षा या अस्वीकृति को ट्रिगर कर सकता है। उपयुक्त प्रतिक्रिया चुनना स्कोर उत्पन्न करने जितना ही महत्वपूर्ण हो सकता है।

Mastercard AI भुगतान सुरक्षा में एक्सपोज़र प्रदान करता है

ये प्रोत्साहन Mastercard को उन निवेशकों के लिए प्रासंगिक बनाते हैं जो AI‑सक्षम वित्तीय बुनियादी ढांचे में रुचि रखते हैं।

इसका Decision Intelligence Pro ग्राफ़िंग तकनीकों और जनरेटिव AI मॉडलों को मिलाकर व्यवहारिक और संबंधात्मक संदर्भ के आधार पर लेन‑देन जोखिम का आकलन करता है। Mastercard इस सेवा को धोखाधड़ी पहचान में सुधार और झूठी अस्वीकृतियों को कम करने के इर्द‑गिर्द स्थित करता है।

समीक्षा से संबंध अवधारणात्मक है। पेपर Mastercard के उत्पाद का परीक्षण नहीं करता या उसके व्यावसायिक दावों की पुष्टि नहीं करता। फिर भी, कंपनी का दृष्टिकोण दर्शाता है कि नेटवर्क जानकारी और संदर्भात्मक विश्लेषण कैसे वित्तीय संस्थानों को बेचे जाने वाले सेवाओं में परिवर्तित हो सकते हैं।

निवेशकों के लिए संभावित लाभ लेन‑देन बुद्धिमत्ता, स्थापित ग्राहक संबंध और प्राधिकरण कार्यप्रवाह में एकीकरण को मिलाने में निहित है। यह स्थायी प्रतिस्पर्धात्मक रक्षक बनता है या नहीं, यह कार्यान्वयन, डेटा गवर्नेंस, प्रतिस्पर्धी सेवाओं और ग्राहकों के मापनीय परिणामों पर निर्भर करता है।

Mastercard व्यापक भुगतान एक्सपोज़र भी प्रदान करता है, न कि केवल धोखाधड़ी पहचान में शुद्ध निवेश। अवसर का मूल्यांकन करते समय इसकी वैल्यूएशन और समग्र व्यावसायिक प्रदर्शन अभी भी महत्वपूर्ण हैं।

नवीनतम Mastercard (MA) समाचार और विकास

विश्वसनीय AI धोखाधड़ी पहचान के लिए मापनीय परिणाम आवश्यक हैं

समीक्षा बेहतर वित्तीय सुरक्षा के प्रति आशावाद का समर्थन करती है, जबकि यह स्पष्ट करती है कि प्रगति का अर्थ क्या होना चाहिए। सफलता के लिए अधिक हानिकारक गतिविधियों को पकड़ना आवश्यक है, बिना असंगत व्यवधान पैदा किए, परिस्थितियों के बदलने पर प्रदर्शन बनाए रखना, और जांचकर्ताओं को उपयोगी साक्ष्य प्रदान करना।

अगला प्रतिस्पर्धात्मक लाभ इन क्षमताओं को भरोसेमंद संचालन में जोड़ने से आ सकता है। भुगतान कंपनियों के लिए सार्थक बेंचमार्क यह है कि धोखाधड़ी हानियों, संचालन लागत और ग्राहक घर्षण को ध्यान में रखने के बाद कितना मूल्य संरक्षित रहता है।

संदर्भ:

¹ Manurung, H., & Arinengsih, D. R. (2026). असंतुलन, दुर्लभता और प्रतिकूल व्यवहार के तहत धोखाधड़ी पहचान के लिए मजबूत मशीन लर्निंग: वित्तीय रिपोर्टिंग, भुगतान और ग्राफ इकोसिस्टम में साक्ष्य. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697