AI-Based Fraud Detection System for Subscription-Based Payment Services
यह शोध पत्र विशेष रूप से सदस्यता-आधारित भुगतान सेवाओं के लिए डिज़ाइन किए गए एक एआई-आधारित धोखाधड़ी पहचान प्रणाली का प्रस्ताव और मूल्यांकन करता है, जो यह प्रदर्शित करता है कि एक हाइब्रिड XGBoost+Bi-LSTM आर्किटेक्चर छह विशिष्ट धोखाधड़ी प्रकारों को कवर करने वाले एक सिंथेटिक डेटासेट पर कई मेट्रिक्स में स्टैंडअलोन मॉडल की तुलना में बेहतर प्रदर्शन करता है, जबकि स्पष्ट रूप से परिणामों को वास्तविक दुनिया के प्रदर्शन के बजाय प्रूफ-ऑफ-कॉन्सेप्ट साक्ष्य के रूप में स्वीकार करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल अर्थव्यवस्था में, एक सब्सक्रिप्शन (सदस्यता) केवल एक साधारण खरीदारी से कहीं अधिक है; यह एक निरंतर चलने वाला संबंध है। किसी स्टोर में एक वस्तु खरीदने के विपरीत, एक सब्सक्रिप्शन में ग्राहक एक ऐसी सेवा के लिए साइन अप करता है जो उसे एक निर्धारित समय पर बार-बार बिल भेजती है, जिसमें अक्सर शुरुआत में एक मुफ्त परीक्षण अवधि (फ्री ट्रायल) भी शामिल होती है। यह आवर्ती प्रकृति धोखाधड़ी के लिए एक अनूठा परिदृश्य बनाती है। अपराधी केवल एक बड़ी खरीदारी करने के लिए क्रेडिट कार्ड नंबर नहीं चुराते; वे बिलिंग चक्र की लय का फायदा उठाते हैं। वे अन्य जगहों पर उपयोग करने से पहले कार्डों की वैधता जांचने के लिए दर्जनों फ्री ट्रायल का उपयोग करके चोरी किए गए कार्डों का इस्तेमाल कर सकते हैं। वे एक्सेस को फिर से बेचने के लिए लॉगिन क्रेडेंशियल साझा कर सकते हैं, या वे तब तक प्रतीक्षा कर सकते हैं जब तक कि एक वैध ग्राहक महीनों तक सेवा का उपयोग न कर ले, और फिर सेवा का लाभ उठाते हुए रिफंड पाने के लिए चार्जेस पर विवाद (डिस्प्यूट) कर दें। क्योंकि ये हमले एक बार होने वाली संदिग्ध लेनदेन के बजाय समय के साथ पैटर्न पर निर्भर करते हैं, इसलिए पारंपरिक धोखाधड़ी पहचान प्रणाली, जो अक्सर एक-बार की विसंगतियों को पकड़ने के लिए डिज़ाइन की जाती हैं, उन्हें देखने में संघर्ष करती हैं।
यह शोध पत्र इस कमी को दूर करने के लिए विशेष रूप से सब्सक्रिप्शन सेवाओं के लिए धोखाधड़ी का पता लगाने का एक नया तरीका प्रस्तावित करके इस अंतराल को संबोधित करता है। लेखक, जो एक स्वतंत्र शोधकर्ता है, तर्क देता है कि चूंकि सब्सक्रिप्शन बिलिंग की एक अनुमानित संरचना होती है, इसलिए उस संरचना से विचलन शक्तिशाली सुराग होते हैं। इस विचार का परीक्षण करने के लिए, शोधकर्ता ने एक सब्सक्रिप्शन व्यवसाय का कंप्यूटर सिमुलेशन बनाया। इस सिमुलेशन ने दो वर्षों की अवधि में 2,600 सब्सक्राइबर खातों का एक नकली ब्रह्मांड बनाया, जिसमें लॉगिन, बिलिंग प्रयास और प्लान परिवर्तन जैसी दर्जनों हजारों घटनाएं उत्पन्न की गईं। इस सामान्य गतिविधि के यथार्थवादी प्रवाह में, शोधकर्ता ने छह विशिष्ट प्रकार की धोखाधड़ी को शामिल किया, जिसमें ट्रायल का दुरुपयोग, अकाउंट हाइजैकिंग और "फ्रेंडली" फ्रॉड (जहाँ एक ग्राहक दावा करता है कि उसने शुल्क अधिकृत नहीं किया था) शामिल हैं। लक्ष्य यह देखना था कि क्या एक आर्टिफिशियल इंटेलिजेंस सिस्टम रोजमर्रा की जिंदगी के शोर में इन विशिष्ट पैटर्न को पहचानना सीख सकता है।
शोधकर्ता ने सबसे पहले सूचना के दस अलग-अलग श्रेणियों को मैप किया जो समस्या का संकेत दे सकती थीं। ये स्पष्ट चीजों से लेकर सूक्ष्म चीजों तक विस्तृत थीं, जैसे कि अचानक चार्ज की गई राशि में बदलाव, से लेकर एक नया डिवाइस जिससे लॉगिन हुआ हो और जो बिलिंग परिवर्तन से ठीक पहले हुआ हो। सिस्टम ने इस बात पर भी ध्यान दिया कि खाते कैसे जुड़े हुए थे, जैसे कि कई खाते एक ही कंप्यूटर या आईपी एड्रेस का उपयोग कर रहे हों, जो अक्सर एक समन्वित हमले का संकेत देता है। इस डेटा के साथ, अध्ययन ने मशीन लर्निंग मॉडल के पांच अलग-अलग प्रकारों का परीक्षण किया। कुछ सरल और तेज़ थे, जो अलग-अलग घटनाओं को अलग से देखते थे। अन्य अधिक जटिल थे, जिन्हें ग्राहक के पूरे इतिहास को याद रखने और उनके कार्यों के क्रम को समझने के लिए डिज़ाइन किया गया था, बिल्कुल वैसे ही जैसे कोई व्यक्ति अपने दोस्त की सामान्य आदतों को याद रखता है ताकि यह देख सके कि कब कुछ असामान्य है।
सबसे महत्वपूर्ण निष्कर्ष इन दृष्टिकोणों को मिलाने से आया। शोधकर्ता ने दो हाइब्रिड सिस्टम बनाए जो दोनों दुनियाओं की सर्वश्रेष्ठ चीजों को लेते हैं: एक हिस्सा जो खाते के स्थिर विवरणों, जैसे डिवाइस और स्थान का विश्लेषण करता है, और दूसरा हिस्सा जो ग्राहक के व्यवहार की टाइमलाइन का अध्ययन करता है। इनमें से एक हाइब्रिड मॉडल, जिसने एक शक्तिशाली निर्णय लेने वाले इंजन को घटनाओं के अनुक्रम को पढ़ने वाले सिस्टम के साथ जोड़ा, सबसे प्रभावी साबित हुआ। इन सिमुलेशन में, इसने किसी भी एकल मॉडल की तुलना में अधिक धोखाधड़ी पकड़ी, जबकि वैध ग्राहकों को परेशान करने वाली गलतियां भी कम कीं। इसने लगभग 61 प्रतिशत धोखाधड़ी के प्रयासों को सफलतापूर्वक पहचाना और साथ ही गलत अलार्म की संख्या को कम रखा। एक अन्य हाइब्रिड मॉडल, जिसने पहले से जाने गए पैटर्न के बिना असामान्य पैटर्न को पहचानने के लिए एक अलग विधि का उपयोग किया, वह भी सफल रहा लेकिन इसने एक अलग समझौता किया: यह गलत अलार्म से बचने में और भी बेहतर था लेकिन वास्तविक धोखाधड़ी के मामलों को थोड़ा कम पकड़ पाया।
अध्ययन ने यह भी खुलासा किया कि सभी धोखाधड़ी एक समान नहीं होती हैं। सिस्टम "हाइजैकिंग" (जहाँ कोई खाता छीन लेता है) और "रिफंड एब्यूज" (जहाँ एक ग्राहक बार-बार साइन अप और कैंसिल करके मुफ्त सेवा प्राप्त करता है) को पकड़ने में उत्कृष्ट था। हालांकि, इसे "फ्रेंडली फ्रॉड" के साथ संघर्ष करना पड़ा, जहाँ एक वैध ग्राहक लंबे समय तक सेवा का उपयोग करने के बाद शुल्क पर विवाद करता है। पेपर यह समझाता है कि यह तकनीक की विफलता नहीं है बल्कि समस्या की एक मौलिक वास्तविकता है: जिस क्षण बिल जेनरेट होता है, विवादित चार्ज बिल्कुल एक सामान्य चार्ज जैसा ही दिखता है। यह बाद में दृश्यमान होता है जब ग्राहक शिकायत दर्ज करता है। यह अंतर महत्वपूर्ण है, क्योंकि यह दिखाता है कि कुछ प्रकार की धोखाधड़ी को केवल बाद में पहचाना जा सकता है, रीयल-टाइम में नहीं।
पूरे शोध के दौरान, लेखक ने काम की सीमाओं को नोट करने में सावधानी बरती। परिणाम पूरी तरह से एक कंप्यूटर सिमुलेशन के भीतर उत्पन्न किए गए थे, न कि किसी कंपनी के वास्तविक दुनिया के डेटा से। हालांकि सिमुलेशन को यथार्थवादी बनाने के लिए डिज़ाइन किया गया था और परिणाम कई अलग-अलग परीक्षण रन में सुसंगत थे, फिर भी ये संख्याएं एक 'प्रूफ ऑफ कॉन्सेप्ट' का प्रतिनिधित्व करती हैं न कि वास्तविक दुनिया में गारंटीकृत प्रदर्शन का। अध्ययन ने यह भी पाया कि नई, अनदेखी धोखाधड़ी के प्रकारों को पकड़ने की सिस्टम की क्षमता सीमित थी; यदि किसी अपराधी ने एक पूरी तरह से नया तरीका खोजा जिसे सिस्टम ने पहले कभी नहीं देखा था, तो मॉडल उसे मिस कर सकते थे। यह सुझाव देता है कि हालांकि ये उपकरण शक्तिशाली हैं, उन्हें एक बड़े, विकसित होते हुए रणनीति का हिस्सा होना चाहिए। पेपर यह निष्कर्ष निकालता है कि सब्सक्रिप्शन की विशिष्ट, आवर्ती प्रकृति के अनुरूप धोखाधड़ी का पता लगाकर, व्यवसाय खुद को बेहतर ढंग से सुरक्षित कर सकते हैं बिना अपने ईमानदार ग्राहकों को दंडित किए, लेकिन यह कार्य अंतिम समाधान के बजाय आगे के विकास के लिए एक शुरुआती बिंदु है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।