P2P kriptovaliutų platforma „NoOnes“ priima dirbtiniu intelektu optimizuotą deponavimo sistemą, augant sukčiavimo rizikai

Pasaulinė peer-to-peer kriptovaliutų platforma Noones į savo sąlyginio deponavimo sistemą integravo AI pagrįstą stebėjimo sluoksnį, kad pažymėtų įtartiną aktyvių sandorių veiklą. Bendrovė paskelbė apie plėtrą ketvirtadienio tinklaraštyje paštuprisijungdamas prie aukšto rango kriptovaliutų platformų, kuriose integruoti dirbtinio intelekto įrankiai ir mašininio mokymosi modeliai, siekiant kovoti su nesąžininga veikla ir jos techniniu sudėtingumu, sąrašo.

Sukčiavimo aptikimo perkėlimas anksčiau operacijos gyvavimo ciklo metu

Istoriškai peer-to-peer tinklai rėmėsi reputacijos sistemomis, kad sukurtų pirkėjų ir pardavėjų pasitikėjimą. Nors ši sistema buvo veiksminga ankstyvaisiais rinkos plėtros etapais, šie mechanizmai tampa mažiau patikimi, nes didėja prekybos apimtys ir sukčiavimo schemos.

Technologijų pažanga, sukčiavimo sudėtingumas ir atitikties reikalavimai privertė finansų sektorių vis dažniau naudoti nuspėjamąją analizę ir dirbtinio intelekto įrankius, kad pakeistų tradicines taisyklėmis pagrįstas sukčiavimo aptikimo sistemas. Nauja NoOnes įdiegta sistema įvertina kontekstinius signalus prekybos sandorių pradžioje, kad sumažintų sukčiavimo riziką ir ginčų skaičių. Modelis analizuoja tokius modelius kaip prekybos elgsena, reputacijos signalai, kainodaros anomalijos, mokėjimo metodų neatitikimai ir neįprastas operacijų dažnis, o sandoriai, kurie skiriasi nuo įprastų modelių, gali būti pažymėti papildomam patikrinimui prieš užbaigiant.

Pradinis bandomasis bandymas atskleidė, kad prekybos ginčų sumažėjo 28%, o daugiau nei 85% nesąžiningų sandorių buvo aptikti anksti. Labiausiai patobulinimai buvo matomi rinkose, kuriose plačiai naudojami alternatyvūs mokėjimo būdai, ir aplinkoje, kurioje tradicinės kovos su sukčiavimu sistemos gali susidoroti.

AI pagrįstas sukčiavimo aptikimas yra įprastas finansų pramonėje

AI naudojimas siekiant nustatyti ir sumažinti nesąžiningus sandorius nėra naujiena finansų pramonei. Bankai, mokėjimų tvarkytojai ir elektroninės prekybos įmonės jau daugelį metų taiko mašininio mokymosi metodus, kad sukurtų sukčiavimo aptikimo sistemas ir sistemas. Pramonės duomenys rodo, kad šios AI sistemos gali sumažinti nuostolius dėl sukčiavimo ir klaidingų teigiamų rezultatų 40–60 % per pirmuosius kelis jų įdiegimo mėnesius. Taip yra todėl, kad dirbtinio intelekto sistemos gali reaguoti į naujus sukčiavimo būdus greičiau nei tradicinės. Pavyzdžiui, kovos su sukčiavimu technologijų tiekėjas SEON, kuris naudoja mašininio mokymosi modelius kovai su kenkėjiška veikla, pranešė, kad jos sistemos padėjo nustatyti arba užkirsti kelią sukčiavimo sandoriams, kurių vertė viršija 300 mlrd.

Saugumas prieš vartotojo patirtį

Vienas iš AI pagrįstų sukčiavimo aptikimo sistemų iššūkių yra suderinti stipresnes apsaugos sistemas su greičiu ir lankstumu, kurio daugelis vartotojų tikisi iš lygiaverčių platformų. Skirtingai nuo bendrų tikrinimo sistemų, kurios daro įtaką ir sulėtina visas platformos operacijas, NoOnes taiko prisitaikantį modelį, kuris dinamiškai vertina prekybos veiklą. Mažos rizikos sandoriai gali būti vykdomi be trukdžių ir pertrūkių, o didesnės rizikos scenarijus papildomai tikrinamas ir gali būti perkeltas tolesniam tyrimui. Toks operacijų stebėjimas jau naudojamas bankininkystės sektoriuje, kur prisitaikantys saugumo modeliai padėjo sumažinti vartotojų skundus daugiau nei 30 %, kartu išlaikant stipresnį sukčiavimo aptikimą. Pasak Michaelo Bennetto, „NoOnes“ rinkos žvalgybos vadovo, P2P rinka istoriškai buvo kuriama remiantis stipria vartotojų reputacija, tačiau didėjant prekybos apimtims ir apgaulingoms schemoms, vien tik reputacijos sistemų vartotojų apsaugai nebepakanka.

“Kuriame sistemą, kurioje pasitikėjimas grindžiamas elgesio analitika ir nuspėjamaisiais modeliais“, Bennettas pridūrė.

Dirbtinio intelekto sistemos vis dažniau pastebi naujus naudojimo atvejus ir pritaikymą prekybos analizės, rinkos priežiūros, atitikties stebėjimo ir sukčiavimo aptikimo srityse, nes kriptovaliutų platformos ir toliau susiduria su iššūkiu išlaikyti saugumą nepakenkiant paslaugų prieinamumui. Sistemos, galinčios atpažinti įtartiną veiklą per operacijos gyvavimo ciklą, gali atlikti svarbų vaidmenį sprendžiant šį iššūkį ateinančiais metais. Remiantis šiuo impulsu, kuriami nauji dirbtinio intelekto įrankiai, siekiant toliau tobulinti šias galimybes.

„NoOnes“ teigia, kad AI sąlyginio deponavimo sistema per ateinančius mėnesius bus palaipsniui įdiegta pagrindinėse rinkose. Tikimasi, kad būsimos iteracijos apims papildomus rizikos vertinimo modelius ir paaiškinamus dirbtinio intelekto įrankius, skirtus pateikti aiškesnius sudėtingų sandorių rizikos vertinimo motyvus.