AI-Based Fraud Detection System for Subscription-Based Payment Services
Dit artikel stelt een AI-gebaseerd fraudedetectiesysteem voor en evalueert dit, dat specifiek is ontworpen voor abonnementgebaseerde betaaldiensten, waarbij wordt aangetoond dat een hybride XGBoost+Bi-LSTM-architectuur op basis van meerdere metrieken beter presteert dan standalone modellen op een synthetische dataset die zes verschillende typen fraude beslaat, terwijl de resultaten expliciet worden erkend als bewijs van concept in plaats van gevalideerde prestaties in de echte wereld.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de digitale economie is een abonnement meer dan een eenvoudige aankoop; het is een voortdurende relatie. In tegenstelling tot het kopen van een enkel item in een winkel, houdt een abonnement in dat een klant zich aanmeldt voor een dienst die hem of haar herhaaldelijk op een schema factureert, vaak met een gratis proefperiode om te beginnen. Deze terugkerende aard creëert een uniek landschap voor fraude. Criminelen stelen niet alleen een creditcardnummer om één grote aankoop te doen; ze misbruiken het ritme van de facturatiecyclus. Ze kunnen gestolen kaarten gebruiken om zich aan te melden voor tientallen gratis proefperiodes, om de geldigheid van de nummers te testen voordat ze ze elders gebruiken. Ze kunnen inloggegevens delen om toegang door te verkopen, of ze kunnen wachten tot een legitieme klant een dienst maandenlang heeft gebruikt voordat ze de kosten betwisten om een terugbetaling te krijgen terwijl ze de dienst behouden. Omdat deze aanvallen vertrouwen op patronen over een langere periode in plaats van op een eenmalige verdachte transactie, hebben traditionele fraudedetectiesystemen, die vaak zijn ontworpen om eenmalige anomalieën op te sporen, moeite om ze te zien.
Dit artikel adresseert die kloof door een nieuwe manier voor te stellen om fraude specifiek voor abonnementsdiensten te detecteren. De auteur, een onafhankelijk onderzoeker, betoogt dat omdat abonnementsfacturatie een voorspelbare structuur heeft, afwijkingen van die structuur krachtige aanwijzingen zijn. Om dit idee te testen, bouwde de onderzoeker een computersimulatie van een abonnementsbedrijf. Deze simulatie creëerde een fictief universum van 2.600 abonnee-accounts over een periode van twee jaar, waarbij tientallen duizenden gebeurtenissen zoals inloggen, pogingen tot facturatie en wijzigingen in abonnementen werden gegenereerd. In deze realistische stroom van normale activiteit injecteerde de onderzoeker zes specifieke soorten fraude, waaronder misbruik van proefperiodes, accountovername en "vriendelijke" fraude waarbij een klant beweert dat hij de incasso niet heeft geautoriseerd. Het doel was om te zien of een systeem van kunstmatige intelligentie deze specifieische patronen in de ruis van het dagelijks leven kon leren herkennen.
De onderzoeker bracht eerst tien verschillende categorieën informatie in kaart die problemen kunnen signaleren. Deze varieerden van het voor de hand liggende, zoals een plotselinge verandering in het bedrag dat in rekening wordt gebracht, tot het subtiele, zoals een login vanaf een nieuw apparaat die vlak voor een wijziging in de facturatie plaatsvindt. Het systeem keek ook naar hoe accounts met elkaar verbonden waren, zoals meerdere accounts die dezelfde computer of IP-adres gebruiken, wat vaak duidt op een gecoördineerde aanval. Met deze gegevens in handen testte de studie vijf verschillende soorten machine learning-modellen. Sommige waren eenvoudig en snel, waarbij ze individuele gebeurtenissen in isolatie bekeken. Andere waren complexer, ontworpen om de volledige geschiedenis van een klant te onthouden en de volgorde van hun acties in de loop van de tijd te begrijpen, vergelijkbaar met hoe een persoon de gebruikelijke gewoonten van een vriend onthoudt om op te merken wanneer er iets afwijkt.
De meest significante bevinding kwam voort uit het combineren van deze benaderingen. De onderzoeker bouwde twee hybride systemen die het beste van beide werelden combineerden: één deel dat de statische details van een account analyseerde, zoals het apparaat en de locatie, en een ander deel dat de tijdlijn van het gedrag van de klant bestudeerde. Een van deze hybride modellen, die een krachtige beslissingsmotor combineerde met een systeem dat sequenties van gebeurtenissen kon lezen, bleek het meest effectief. In deze simulaties detecteerde het meer fraude dan elk enkel model op zichzelf zou kunnen, terwijl het ook minder fouten maakte die legitieme klanten zouden irriteren. Het identificeerde succesvol ongeveer 61 procent van de frauduleuze pogingen terwijl het aantal valse alarmen laag hield. Een ander hybride model, dat een andere methode gebruikte om ongebruikelijke patronen op te sporen zonder vooraf precies te hoeven weten hoe fraude eruitzag, was ook succesvol maar maakte een andere afweging: het was nog beter in het vermijden van valse alarmen, maar ving iets minder echte fraudegevallen.
De studie onthulde ook dat niet alle fraude gelijk is. Het systeem was uitstekend in het detecteren van "hijacking", waarbij iemand een account overneemt, en "refund abuse", waarbij een klant herhaaldelijk zich aanmeldt en opzegt om gratis service te krijgen. Het had echter moeite met "vriendelijke fraude", waarbij een legitieme klant simpelweg een betaling betwist nadat hij de dienst een tijd lang heeft gebruikt. Het artikel legt uit dat dit geen falen van de technologie is, maar een fundamentele realiteit van het probleem: op het moment dat een factuur wordt gegenereerd, ziet een betwiste betaling er exact hetzelfde uit als een normale betaling. Het wordt pas zichtbaar als fraude later, nadat de klant een klacht indient. Dit onderscheid is cruciaal, omdat het aantoont dat sommige soorten fraude pas achteraf kunnen worden geïdentificeerd, en niet in realtime.
Gedurende het hele onderzoek was de auteur zorgvuldig in het benoemen van de beperkingen van het werk. De resultaten werden volledig gegenereerd binnen een computersimulatie, niet vanuit echte gegevens van een bedrijf. Hoewel de simulatie zo realistisch mogelijk was ontworpen en de resultaten consistent waren over vele verschillende testruns, vertegenwoordigen de cijfers een bewijs van concept (proof of concept) in plaats van een gegarandeerde prestatie in de echte wereld. De studie vond ook dat het vermogen van het systeem om nieuwe, onbekende soorten fraude te detecteren beperkt was; als een crimineel een volledig nieuwe methode bedacht die het systeem nog nooit had gezien, zouden de modellen deze waarschijnlijk missen. Dit suggereert dat hoewel deze instrumenten krachtig zijn, ze onderdeel moeten zijn van een grotere, evoluerende strategie. Het artikel concludeert dat door fraudedetectie af te stemmen op de specifieke, terugkerende aard van abonnementen, bedrijven zichzelf beter kunnen beschermen zonder hun eerlijke klanten te straffen, maar dat het werk een startpunt blijft voor verdere ontwikkeling in plaats van een definitieve oplossing.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.