AI Fraud Detection at ang Hinaharap ng Seguridad sa Pagbabayad

Ang isang sistema ng seguridad sa pagbabayad ay maaaring mukhang halos perpekto habang nabibigo sa pinakamahalagang tungkulin nito. Kung ang pandaraya ay kumakatawan lamang sa napakaliit na bahagi ng mga transaksyon, ang isang algorithm na nag-aapruba ng lahat ay magiging tama sa karamihan ng oras. Maaaring makaranas ang mga customer ng mas kaunting pagkaantala, ngunit hindi haharap ang mga kriminal sa anumang paglaban.

Ang tensyon na iyon ay nasa gitna ng isang bagong systematic review nina Herlina Manurung at Dyah Rizki Arinengsih, na inilathala sa Social Sciences & Humanities Open.¹ Pinagsasama ang 38 pag-aaral sa financial reporting, pagbabayad, at network-based na pagtuklas ng pandaraya, iginiit ng mga mananaliksik na ang mapagkakatiwalaang proteksyon ay nangangailangan ng higit pa kaysa sa kahanga-hangang benchmark scores.

Para sa mga bangko, network ng pagbabayad, at mga mamumuhunan, praktikal ang mga implikasyon. Maaaring protektahan ng mas mahusay na pagtuklas ng pandaraya ang kita at mabawasan ang gastos sa operasyon. Gayunpaman, nakasalalay ang mga benepisyong iyon sa mga sistema na nakikilala ang kahina-hinalang pag-uugali mula sa lehitimong aktibidad, nananatiling kapaki-pakinabang habang nag-aangkop ang mga kriminal, at nagbibigay ng ebidensyang maaaring aksyunan ng mga imbestigador.

Bakit Maaaring Itago ng Mataas na Katumpakan ang Mahinang Pagtuklas ng Pandaraya

Isipin ang isang hipotetikong platform ng pagbabayad na nagpoproseso ng 100,000 na transaksyon, kung saan 100 ang mapanlinlang. Ang isang modelo na nagtatakda ng lahat ng transaksyon bilang lehitimo ay nakakamit ang 99.9% na katumpakan ngunit hindi natutuklasan ang anumang pandaraya.

Ngayon, isipin ang isang sistema na nakahuli ng 80 mapanlinlang na transaksyon ngunit maling nagtatanda ng 1% ng 99,900 lehitimong mga transaksyon. Lumilikha ito ng 1,079 alerto, kabilang ang 999 na maling alarma. Tanging humigit-kumulang 7.4% ng mga alerto nito ang tumutukoy sa totoong pandaraya. Ipinapakita ng mga bilang na ito ang problema; hindi ito mga resulta mula sa pagsusuri.

Maaaring pigilan pa rin ng ganitong sistema ang malalaking pagkalugi, depende sa halaga ng mga transaksyon at kung paano hinahawakan ang mga alerto. Gayunpaman, hindi maaaring husgahan ang pagiging kapaki-pakinabang nito batay lamang sa katumpakan. Kailangang iproseso ng mga imbestigador ang mga alerto, maaaring harapin ng mga customer ang hindi kinakailangang hamon, at maaaring mawalan ng lehitimong benta ang mga mangangalakal.

Samakatuwid, binibigyang-diin ng pagsusuri ang precision, recall, at cost-sensitive na pagsusuri. Sinusukat ng precision kung ilang mga na-flag na kaso ang talagang may pandaraya. Sinusukat ng recall kung gaano karaming pandaraya ang nahuhuli ng sistema. Walang metric ang pumapalit sa pangangailangang maunawaan ang pinansyal na epekto ng mga pagkakamali.

Ang layuning komersyal ay mabawasan ang kabuuang pinsala: mga pagkalugi dulot ng pandaraya, gastusin sa imbestigasyon, pagkakaproblema ng customer, at kita na nawala dahil sa maling pagtanggi.

Ano ang Natuklasan ng Pagsusuri sa Pagtuklas ng Pandaraya

Iniaayos ng mga may-akda ang kanilang mga natuklasan sa apat na dimensyon: paghawak sa mga bihirang pangyayari at hindi pantay na gastos sa error, pagpapanatili ng mapagkakatiwalaang pagsusuri, paglaban sa nagbabagong kundisyon at sinadyang manipulasyon, at paggamit ng mga ugnayan at nababasang ebidensya.

Ipinapakita ng kanilang deskriptibong pagsusuri ang puwang sa pagitan ng sopistikadong pagmomodelo at dokumentadong pagsusuri ng katatagan.

Nag-ooverlap ang mga kategoryang ito. Ang mga bilang ay kumakatawan sa minimum na dalas na sinusuportahan ng mga buod ng pinagmulan ng mga may-akda, kaya ang isang hindi naiulat na pamamaraan ay hindi dapat awtomatikong ituring na wala.

May mga limitasyon din ang pagsusuri. Ang ebidensya nito ay pangunahing nagmula sa pananaliksik na naka-index sa Scopus at nasa wikang Ingles, at ang hindi kumpletong tala ng historikal na screening ay humahadlang sa audit trail nito. Ang mga pagkakaiba sa pagitan ng mga dataset, depinisyon ng pandaraya, at mga pamamaraan ng pagsusuri ay pumigil sa kwantitatibong pagsasama. Nagbibigay ito ng kapaki-pakinabang na balangkas ng disenyo, sa halip na patunay na ang isang algorithm ay palagiang humahigitan ang bawat alternatibo.

Bakit Dapat Subukin ang mga Modelo ng Pandaraya para sa Hinaharap

Ang isang modelo na sinanay sa mga transaksyon ng kahapon ay humaharap sa dalawang uri ng pagbabago. Ang lehitimong pag-uugali ay nagbabago habang naglalakbay ang mga customer, naglulunsad ng promosyon ang mga mangangalakal, at umuunlad ang mga gawi sa pagbabayad. Binabago rin ng mga kriminal ang kanilang mga estratehiya upang maiwasan ang pagtuklas. Ipinapakita ng pagsusuri ang pagkakaiba sa pagitan ng mga pagbabago sa distribusyon at sinadyang adversarial na pag-uugali, habang ipinapakita kung bakit mahalaga ang pareho.

Maaaring aksidenteng maitago ng pagsusuri ang mga hamong ito. Ang isang random na paghahati ng mga historikal na transaksyon ay maaaring maglagay ng magkaugnay na rekord sa parehong training at evaluation set. Ang modelo ay pakikinabangan ang pamilyar na mga customer o pattern na hindi naman tiyak na magagamit kapag humaharap sa tunay na bagong aktibidad.

Ang pagsusuri sa mga susunod na panahon, o ang paghihiwalay ng mga entidad sa pagitan ng training at evaluation, ay nag-aalok ng mas mahigpit na pagtatasa. Kahit ganoon, dapat subaybayan ang pagganap pagkatapos ng pag-deploy.

Ito ay nagpapahiwatig ng ibang paraan upang tasahin ang teknolohiya laban sa pandaraya: tanungin kung gaano kabilis naipapakita ang paglala at kung gaano kaligtas na makabawi ang sistema. Ang isang matibay na paunang iskor ay may limitadong halaga kung ang isang bagong pag-atake ay hindi natutuklasan sa loob ng ilang linggo.

Kabilang sa mga kapaki-pakinabang na tanong sa operasyon ang:

• Gaano karaming pandaraya ang nahuhuli sa isang pamantayang dami ng alerto?
• Gaano kadalas napuputol ang mga lehitimong transaksyon?
• Ano ang nangyayari kapag nagbabago ang pag-uugali o nag-aangkop ang mga attacker?
• Maaari bang maunawaan at mapatunayan ng mga imbestigador ang ebidensya?

Maaaring Ipakita ng Graph AI ang mga Network ng Pandaraya

Bihira na ang iisang transaksyon ang magbigay ng buong kwento. Maraming ordinaryong bayad ang maaaring magmukhang kahina-hinala kapag nagbabahagi ng device, kumokonekta sa parehong destinasyong account, o bumubuo ng kakaibang sunod-sunod sa pagitan ng mga merchant.

Ang pagkatuto batay sa graph ay nagrerepresenta ng mga entidad bilang magkakaugnay na node, na nagbibigay-daan sa mga modelo na suriin ang mga relasyon kasabay ng mga katangian ng transaksyon. Makakatulong ito upang matukoy ang koordinadong pag-uugali na hindi napapansin ng hiwalay na pag-score ng transaksyon.

Ang mas malawak na kahalagahan ng relational analysis ay umaabot sa crypto wash trading and market manipulation, kung saan ang tila independiyenteng aktibidad ay maaaring magtago ng koordinasyon. Magkaiba ang mga gawain sa pagtuklas, ngunit pareho nilang ipinapakita kung bakit maaaring maging mapanlinlang ang pinagsama-samang aktibidad kung walang konteksto.

Ang mga graph ay may sariling kahinaan. Maaaring lumikha ang mga kriminal ng tila lehitimong koneksyon upang itago ang mga kahina-hinalang account, habang ang luma o hindi kumpletong relasyon ay maaaring magdistort ng mga pagtatasa ng panganib. Dahil dito, itinuturing ng pagsusuri ang estruktural na impormasyon bilang isang bagay na kailangang patunayan at protektahan, sa halip na awtomatikong garantiya ng mas magagandang resulta.

Mahalaga rin ang mga paliwanag dito. Ang pagpapakita sa imbestigador ng mga account o landas ng transaksyon sa likod ng isang alerto ay maaaring gawing mas madali ang pagsusuri ng ebidensya. Hindi nito, sa sarili nito, pinapatunayan na naganap ang pandaraya.

Mas Mahusay na Pagtuklas ng Pandaraya ay Maaaring Protektahan ang Kita sa Pagbabayad

Ang ekonomikong oportunidad ay higit pa sa pagtigil ng pagnanakaw. Ang isang lehitimong transaksyon na maling tinanggihan ay maaaring magpadala ng customer sa ibang card o merchant. Ang labis na dami ng alerto ay kumukonsumo rin ng oras ng staff na maaaring ilaan sa pagsisiyasat ng mas seryosong banta.

Ayon sa paliwanag ng Securities.io tungkol sa card networks, issuers, acquirers, and processors, ang mga pagbabayad ay kinabibilangan ng maraming negosyo na may magkakaibang tungkulin. Ang mga pagbuti sa mga desisyon sa awtorisasyon ay maaaring magdulot ng benepisyo sa buong kadena ng transaksyon, bagaman hindi pantay-pantay ang pag-ani ng mga benepisyo sa bawat kalahok.

Itinatampok ng talakayan ng Mastercard noong 2026 tungkol sa AI payment fraud prevention ang pagbawas ng manu-manong pagsusuri at mas kaunting false positives bilang mga layuning pangnegosyo. Ang kanilang ulat ay nagbibigay ng kontekstong komersyal, hindi isang independiyenteng pagpapatunay ng akademikong pagsusuri.

Isang kapaki-pakinabang na implikasyon ay dapat tasahin nang magkasama ang pagtuklas at interbensyon. Maaaring mag-trigger ang isang risk score ng pansamantalang pag-hold, karagdagang authentication, manu-manong pagsusuri, o pagtanggi. Ang pagpili ng tamang tugon ay maaaring kasinghalaga ng paglikha ng iskor mismo.

Iniaalok ng Mastercard ang Exposure sa AI Payment Security

Ang mga insentibo na ito ay ginagawang kaugnay ang Mastercard para sa mga mamumuhunan na interesado sa AI-enabled na imprastruktura ng pananalapi.

Ang Decision Intelligence Pro nito ay pinagsasama ang mga teknik sa pag-graph at mga generative AI model upang tasahin ang panganib ng transaksyon gamit ang konteksto ng pag-uugali at relasyon. Inilalagay ng Mastercard ang serbisyo sa paligid ng pagpapabuti ng pagtuklas ng pandaraya habang binabawasan ang mga maling pagtanggi.

Ang koneksyon sa pagsusuri ay konseptwal. Ang papel ay hindi sumusubok sa produkto ng Mastercard o nagpapatunay ng mga komersyal na claim nito. Gayunpaman, ipinapakita ng lapit ng kumpanya kung paano maaaring gawing serbisyo ang impormasyon ng network at kontekstwal na pagsusuri para sa mga institusyong pinansyal.

Para sa mga mamumuhunan, ang potensyal na bentahe ay nasa pagsasama ng intelihensiya sa transaksyon, itinatag na relasyon sa customer, at integrasyon sa mga workflow ng awtorisasyon. Kung ito ay magiging matibay na kompetitibong moat ay nakasalalay sa pagpapatupad, pamamahala ng datos, mga kakompetensyang serbisyo, at nasusukat na resulta ng mga customer.

Nagbibigay din ang Mastercard ng mas malawak na exposure sa pagbabayad, hindi lamang isang purong pamumuhunan sa pagtuklas ng pandaraya. Ang kanyang valuasyon at pangkalahatang pagganap sa negosyo ay nananatiling mahalaga sa pagtatasa ng oportunidad.

Pinakabagong Balita at Pag-unlad ng Mastercard (MA)

Ang Maaasahang AI Fraud Detection ay Nangangailangan ng Nasusukat na Resulta

Sinusuportahan ng pagsusuri ang optimismo hinggil sa mas mahusay na seguridad pinansyal, habang nililinaw kung ano ang dapat ibig sabihin ng pag-unlad. Kinakailangan ang tagumpay na mahuli ang mas mapaminsalang aktibidad nang hindi lumilikha ng labis na pagkaabala, mapanatili ang pagganap habang nagbabago ang mga kondisyon, at magbigay sa mga imbestigador ng kapaki-pakinabang na ebidensya.

Ang susunod na kompetitibong bentahe ay maaaring magmula sa pagkonekta ng mga kakayahang ito sa maaasahang operasyon. Para sa mga kumpanya ng pagbabayad, ang makabuluhang benchmark ay kung gaano karaming halaga ang nananatiling protektado matapos isaalang-alang ang mga pagkalugi dulot ng pandaraya, gastos sa operasyon, at pagkairita ng customer.

Mga Sanggunian:

¹ Manurung, H., & Arinengsih, D. R. (2026). Matatag na machine learning para sa pagtuklas ng pandaraya sa ilalim ng kawalan ng balanse, pagkakabihira, at mapanirang pag-uugali: Ebidensya sa buong pag-uulat ng pananalapi, mga pagbabayad, at mga ekosistema ng grap. Social Sciences & Humanities Open, 14, 103697. https://doi.org/10.1016/j.ssaho.2026.103697