Le numérique est la nouvelle norme, et il n'y a pas de retour en arrière. Chaque année, les consommateurs visitent en moyenne 191 sites Web ou services nécessitant un nom d'utilisateur et un mot de passe, et l'empreinte numérique devrait croître de façon exponentielle. Une telle exposition entraîne naturellement des risques supplémentaires comme la prise de contrôle de compte (ATO).

Chaque année, des acteurs malveillants compromettent des milliards de comptes par le biais d'identifiants volés, de phishing, d'ingénierie sociale et de multiples formes d'ATO. Pour mettre les choses en perspective : la fraude à la prise de contrôle de compte a augmenté de 90 % pour atteindre environ 11.4 milliards de dollars en 2021 par rapport à 2020. Au-delà de l'impact financier, les ATO nuisent à l'expérience client, menacent la fidélité et la réputation de la marque, et mettent à rude épreuve les équipes chargées de la fraude lorsqu'elles gèrent les rétrofacturations et réclamations des clients.

De nombreuses entreprises, même celles qui disposent d'équipes anti-fraude sophistiquées, utilisent des solutions basées sur des règles pour détecter les comptes compromis, car elles sont simples à créer. Pour renforcer leurs défenses et réduire les frictions pour les utilisateurs légitimes, les entreprises investissent de plus en plus dans l'IA et l'apprentissage automatique (ML) pour détecter les prises de contrôle de compte.

AWS peut vous aider à améliorer votre atténuation de la fraude avec des solutions telles que Détecteur de fraude Amazon. Ce service d'IA entièrement géré vous permet d'identifier les activités en ligne potentiellement frauduleuses en vous permettant de former des modèles de détection de fraude ML personnalisés sans expertise ML.

Cet article explique comment créer un point de terminaison de détection en temps réel à l'aide du nouveau modèle Account Takeover Insights (ATI) dans Amazon Fraud Detector.

Présentation de la solution

Amazon Fraud Detector s'appuie sur des modèles spécifiques avec des algorithmes, des enrichissements et des transformations de fonctionnalités personnalisés pour détecter les événements frauduleux dans plusieurs cas d'utilisation. Le modèle ATI récemment lancé est un modèle ML de détection de fraude à faible latence conçu pour détecter les comptes potentiellement compromis et la fraude ATO. Le modèle ATI détecte jusqu'à quatre fois plus de fraude ATO que les solutions traditionnelles de prise de contrôle de compte basées sur des règles tout en minimisant le niveau de friction pour les utilisateurs légitimes.

Le modèle ATI est formé à l'aide d'un ensemble de données contenant les événements de connexion historiques de votre entreprise. Les étiquettes d'événement sont facultatives pour la formation du modèle, car le modèle ATI utilise une approche innovante de l'apprentissage non supervisé. Le modèle différencie les événements générés par le propriétaire réel du compte (événements légitimes) de ceux générés par de mauvais acteurs (événements anormaux).

Amazon Fraud Detector déduit le comportement passé de l'utilisateur en agrégeant en continu les données fournies. Des exemples de comportement d'utilisateur incluent le nombre de fois où l'utilisateur s'est connecté à partir d'une adresse IP spécifique. Grâce à ces enrichissements et agrégats supplémentaires, Amazon Fraud Detector peut générer de solides performances de modèle à partir d'un petit ensemble d'entrées issues de vos événements de connexion.

Pour une prédiction en temps réel, vous appelez le GetEventPrediction API après qu'un utilisateur présente des identifiants de connexion valides pour quantifier le risque d'ATO. En réponse, vous recevez un score de modèle compris entre 0 et 1000 0, où 1000 indique un risque de fraude faible et XNUMX XNUMX un risque de fraude élevé, et un résultat basé sur un ensemble de règles métier que vous définissez. Vous pouvez ensuite prendre les mesures appropriées de votre côté : approuver la connexion, refuser la connexion ou défier l'utilisateur en imposant une vérification d'identité supplémentaire.

Vous pouvez également utiliser le modèle ATI pour évaluer de manière asynchrone les connexions au compte et prendre des mesures en fonction du résultat, comme ajouter le compte à une file d'attente d'investigation afin qu'un examinateur humain puisse déterminer si d'autres mesures doivent être prises.

Les étapes suivantes décrivent le processus de formation d'un modèle ATI et de publication d'un point de terminaison de détecteur pour générer des prédictions de fraude :

• Préparer et valider les données.
• Définissez l'entité, l'événement et les variables d'événement, ainsi que le libellé de l'événement (facultatif).
• Télécharger les données d'événement.
• Lancer la formation du modèle.
• Évaluez le modèle.
• Créez un point de terminaison de détecteur et définissez des règles métier.
• Obtenez des prédictions en temps réel.

Pré-requis

Avant de commencer, effectuez les étapes préalables suivantes :

Préparer et valider les données

Amazon Fraud Detector exige que vous fournissiez les données de connexion de votre compte utilisateur dans un fichier CSV encodé au format UTF-8. Pour l'ATI, vous devez fournir certaines métadonnées d'événement et variables d'événement dans la ligne d'en-tête de votre fichier CSV.

Les métadonnées d'événement requises sont les suivantes :

• EVENT_ID – Un identifiant unique pour l'événement de connexion.
• TYPE D'ENTITÉ – L'entité qui effectue l'événement de connexion, comme un commerçant ou un client.
• ENTITY_ID – Un identifiant pour l'entité exécutant l'événement de connexion.
• EVENT_TIMESTAMP – L'horodatage auquel l'événement de connexion s'est produit. Le format d'horodatage doit être au standard ISO 8601 en UTC.
• EVENT_LABEL (facultatif) – Une étiquette qui classe l'événement comme frauduleux ou légitime. Vous pouvez utiliser n'importe quelle étiquette, telle que fraude, légitime, 1 ou 0.

Les métadonnées d'événement doivent être en majuscules. Les libellés ne sont pas requis pour les événements de connexion. Cependant, nous recommandons d'inclure EVENT_LABEL métadonnées et en fournissant des étiquettes pour vos événements de connexion si disponibles. Si vous fournissez des étiquettes, Amazon Fraud Detector les utilise pour calculer automatiquement un taux de détection d'usurpation de compte et l'afficher dans les métriques de performances du modèle.

Le modèle ATI a à la fois des variables obligatoires et facultatives. Les noms des variables d'événement doivent être en lettres minuscules.

Le tableau suivant résume les variables obligatoires.

Le tableau suivant résume les variables facultatives.

Vous pouvez fournir des variables supplémentaires. Cependant, Amazon Fraud Detector n'inclura pas ces variables pour former un modèle ATI.

Préparation du jeu de données

Lorsque vous commencez à préparer vos données de connexion, vous devez remplir les conditions suivantes :

• Fournir au moins 1,500 XNUMX entités (comptes d'utilisateurs individuels), chacune avec au moins deux événements de connexion associés
• Votre ensemble de données doit couvrir au moins 30 jours d'événements de connexion

Les configurations suivantes sont facultatives :

• Votre ensemble de données peut inclure des exemples d'événements de connexion infructueux
• Vous pouvez éventuellement étiqueter ces connexions infructueuses comme fraudulent or legitimate
• Vous pouvez préparer des données historiques avec des événements de connexion s'étalant sur plus de 6 mois et inclure 100,000 XNUMX entités

Nous fournissons un exemple de jeu de données à des fins de test que vous pouvez utiliser pour commencer.

La validation des données

Avant de créer votre modèle ATI, Amazon Fraud Detector vérifie si les métadonnées et les variables que vous avez incluses dans votre ensemble de données pour former le modèle répondent aux exigences de taille et de format. Pour plus d'informations, voir Validation du jeu de données. Si l'ensemble de données ne réussit pas la validation, aucun modèle n'est créé. Pour plus d'informations sur les erreurs d'ensemble de données courantes, consultez Erreurs courantes d'ensemble de données d'événement.

Définir l'entité, le type d'événement et les variables d'événement

Dans cette section, nous passons en revue les étapes de création d'une entité, d'un type d'événement et de variables d'événement. En option, vous pouvez également définir des libellés d'événement.

Définir l'entité

La entité définit qui exécute l'événement. Pour créer une entité, procédez comme suit :

• Sur la console Amazon Fraud Detector, dans le volet de navigation, choisissez Entités.
• Selectionnez Création.
• Entrez un nom d'entité et une description facultative.
• Selectionnez Créer une entité.

Définir l'événement et les variables d'événement

Un événement est une activité commerciale évaluée pour le risque de fraude ; cet événement est réalisé par l'entité que nous venons de créer. Le type d'événement définit la structure d'un événement envoyé à Amazon Fraud Detector, y compris les variables de l'événement, l'entité exécutant l'événement et, le cas échéant, les étiquettes qui classent l'événement.

Pour créer un événement, procédez comme suit :

• Sur la console Amazon Fraud Detector, dans le volet de navigation, choisissez Événements.
• Selectionnez Création.
• Pour Nom, entrez un nom pour votre type d'événement.
• Pour Entité, choisissez l'entité créée à l'étape précédente.

Définir les variables d'événement

Pour les variables d'événement, procédez comme suit :

• Dans le Créer une section de rôle IAM, saisissez le nom du compartiment spécifique dans lequel vous avez importé vos données d'entraînement.
  Le nom du compartiment S3 doit être le nom où vous avez téléchargé votre ensemble de données. Sinon, vous obtenez une erreur d'exception d'accès refusé.
• Selectionnez Créer un rôle.

• Pour Emplacement des données, entrez le chemin d'accès à vos données de formation, le chemin est l'URI S3 que vous avez copié lors des étapes préalables, puis choisissez Téléchargement.

Amazon Fraud Detector extrait les en-têtes de votre ensemble de données de formation et crée une variable pour chaque en-tête. Assurez-vous d'affecter la variable au type de variable correct. Dans le cadre du processus de formation du modèle, Amazon Fraud Detector utilise le type de variable associé à la variable pour effectuer un enrichissement variable et une ingénierie des fonctionnalités. Pour plus de détails sur les types de variables, voir Types de variables.

Définir des libellés d'événement (facultatif)

Les étiquettes sont utilisées pour catégoriser des événements individuels comme frauduleux ou légitimes. Les étiquettes d'événement sont facultatives pour la formation du modèle, car le modèle ATI utilise une approche innovante de l'apprentissage non supervisé. Le modèle différencie les événements générés par le propriétaire réel du compte (événements légitimes) de ceux générés par des acteurs abusifs (événements anormaux). Nous vous recommandons d'inclure EVENT_LABEL métadonnées et fournissez des étiquettes pour vos événements de connexion si disponibles. Si vous fournissez des étiquettes, Amazon Fraud Detector les utilise pour calculer automatiquement un taux de découverte de prise de contrôle de compte et l'afficher dans les métriques de performances du modèle.

Pour créer un événement, procédez comme suit :

• Définissez deux étiquettes (pour ce post, 1 et 0).
• Selectionnez Créer un type d'événement.

Télécharger les données d'événement

Dans cette session, nous passons en revue les étapes de téléchargement des données d'événements vers le service pour la formation du modèle.

Les modèles ATI sont formés sur un ensemble de données stocké en interne dans Amazon Fraud Detector. En stockant les données d'événement dans Amazon Fraud Detector, vous pouvez entraîner des modèles qui utilisent des variables calculées automatiquement pour améliorer les performances, simplifier le recyclage des modèles et mettre à jour les étiquettes de fraude pour fermer la boucle de rétroaction de l'apprentissage automatique. Voir Événements enregistrés pour plus d'informations sur le stockage de votre ensemble de données d'événements avec Amazon Fraud Detector.

Après avoir défini votre événement, accédez au Événements enregistrés languette. Sur le Événements enregistrés , vous pouvez voir des informations sur votre ensemble de données, telles que le nombre d'événements stockés et la taille totale de l'ensemble de données en Mo. Étant donné que vous venez de créer ce type d'événement, il n'y a pas encore d'événements stockés. Sur cette page, vous pouvez activer ou désactiver l'ingestion d'événements. Lorsque l'ingestion d'événements est activée, vous pouvez charger des données d'événements historiques sur Amazon Fraud Detector et stocker automatiquement les données d'événements à partir de prédictions en temps réel.

Le moyen le plus simple de stocker des données historiques consiste à télécharger un fichier CSV et à importer les événements. Vous pouvez également diffuser les données dans Amazon Fraud Detector à l'aide du SendEvent API (voir notre GitHub référentiel pour des exemples de cahiers). Pour importer l'événement à partir d'un fichier CSV, procédez comme suit :

• Sous Importer des données d'événements, choisissez Nouvelle importation.
  Vous devrez probablement créer un nouveau rôle IAM. La fonctionnalité d'importation d'événements nécessite un accès en lecture et en écriture à Amazon S3.

• Créez un nouveau rôle IAM et fournissez les compartiments S3 pour les fichiers d'entrée et de sortie.
  Le rôle IAM que vous créez accorde à Amazon Fraud Detector l'accès à ces compartiments pour lire les fichiers d'entrée et stocker les fichiers de sortie. Si vous ne prévoyez pas de stocker les fichiers de sortie dans un compartiment séparé, saisissez le même nom de compartiment pour les deux.
• Selectionnez Créer un rôle.

• Entrez l'emplacement du fichier CSV qui contient vos données d'événement. Il doit s'agir de l'URI S3 que vous avez copié précédemment.
• Choisissez Accueil pour commencer à importer les événements.

Le temps d'importation varie en fonction du nombre d'événements que vous importez. Pour un jeu de données avec 20,000 12 événements, le processus prend environ XNUMX minutes, et après avoir actualisé la page, l'état passe à Completed. Si le statut passe à Error, choisissez le nom de la tâche pour indiquer pourquoi l'importation a échoué.

Initier la formation de modèle

Une fois les événements importés avec succès, vous disposez de tous les éléments pour lancer la formation du modèle. Pour entraîner un modèle, procédez comme suit :

• Sur la console Amazon Fraud Detector, dans le volet de navigation, choisissez Des modèles photo.
• Selectionnez Ajouter un modèle et sélectionnez Créer un modèle.
• Pour Nom du modèle, entrez le nom souhaité pour votre modèle
• Pour Type de modèle, sélectionnez Aperçu du compte de prise de contrôle.
• Pour Type d'événement, choisissez le type d'événement que vous avez créé précédemment.

• Sous Données d'événements historiques, vous pouvez spécifier la plage de dates des événements pour entraîner le modèle si nécessaire.
• Selectionnez Suivant.

• Pour cet article, vous configurez la formation en identifiant les variables utilisées comme entrées du modèle.
• Après avoir évalué les variables, choisissez Suivant.

Il est recommandé d'inclure toutes les variables disponibles, même si vous n'êtes pas sûr de leur valeur pour le modèle. Une fois le modèle formé, Amazon Fraud Detector fournit une liste classée de l'impact de chaque variable sur les performances du modèle, afin que vous puissiez savoir s'il faut inclure cette variable dans la future formation du modèle. Si des étiquettes sont fournies, Amazon Fraud Detector les utilise pour évaluer et afficher les performances du modèle en termes de taux de découverte du modèle.

Si aucune étiquette n'est fournie, Amazon Fraud Detector utilise un échantillonnage négatif pour fournir des exemples ou des tentatives de connexion analogues qui aident le modèle à distinguer les activités légitimes des activités frauduleuses. Cela produit des scores de risque précis qui améliorent la capacité du modèle à capturer les activités légitimes mal signalées.

Après avoir examiné le modèle configuré dans les deux premières étapes, choisissez Création et former le modèle.

Vous pouvez voir le modèle en état de formation dans la page de la console. La création et la formation du modèle prennent environ 45 minutes. Lorsque le modèle a cessé de s'entraîner, vous pouvez vérifier les performances du modèle en choisissant la version du modèle.

Évaluer les performances du modèle et déployer le modèle

Dans cette session, nous passons en revue les étapes pour examiner et évaluer les performances du modèle.

Amazon Fraud Detector valide les performances du modèle en utilisant 15 % de vos données qui n'ont pas été utilisées pour former le modèle et fournit des métriques de performances. Vous devez tenir compte de ces mesures et de vos objectifs commerciaux pour définir un seuil qui correspond à votre modèle commercial. Pour plus de détails sur les métriques et la façon de déterminer les seuils, voir Métriques de performance du modèle.

ATI est un modèle de détection d'anomalies plutôt qu'un modèle de classification ; par conséquent, les paramètres d'évaluation diffèrent des modèles de classification. Lorsque votre modèle ATI a terminé sa formation, vous pouvez voir l'indice de séparation des anomalies (ASI), une mesure holistique de la capacité du modèle à identifier les connexions anormales à haut risque. Un ASI de 75 % ou plus est considéré comme bon, 90 % ou plus est considéré comme élevé et inférieur à 75 % est considéré comme médiocre.

Pour vous aider à choisir le bon équilibre, Amazon Fraud Detector fournit les métriques suivantes pour évaluer les performances du modèle ATI :

• Indice de séparation des anomalies (ASI) – Résume la capacité globale du modèle à séparer les activités anormales du comportement attendu des utilisateurs. Un modèle sans pouvoir de séparabilité aura le score ASI le plus bas possible de 0.5. En revanche, le modèle avec un pouvoir de séparabilité élevé aura le score ASI le plus élevé possible de 1.0.
• Taux de défi (CR) – Le seuil de score indique le pourcentage d'événements de connexion que le modèle recommanderait de contester sous la forme d'un mot de passe à usage unique, d'une authentification multifacteur, d'une vérification d'identité, d'une enquête, etc.
• Taux de découverte d'anomalies (ADR) – Quantifie le pourcentage d'anomalies que le modèle peut détecter au seuil de score sélectionné. Un seuil de score inférieur augmente le pourcentage d'anomalies capturées par le modèle. Néanmoins, cela nécessiterait également de contester un pourcentage plus important d'événements de connexion, ce qui entraînerait une plus grande friction des clients.
• Taux de découverte ATO (ATODR) – Quantifie le pourcentage d'événements de compromission de compte que le modèle peut détecter au seuil de score sélectionné. Cette métrique n'est disponible que si 50 entités ou plus avec au moins un événement ATO étiqueté sont présentes dans l'ensemble de données ingéré.

Dans l'exemple suivant, nous avons un ASI de 0.96 (élevé), ce qui indique une grande capacité à séparer les activités anormales du comportement normal des utilisateurs. En écrivant une règle utilisant un seuil de score de modèle de 500, vous défiez ou créez des frictions sur 6 % de toutes les activités de connexion en attrapant 96 % des activités anormales.

Une autre mesure importante est l'importance de la variable du modèle. L'importance variable vous permet de comprendre comment les différentes variables sont liées aux performances du modèle. Vous pouvez avoir deux types de variables : les variables brutes et les variables agrégées. Les variables brutes sont celles qui ont été définies sur la base de l'ensemble de données, tandis que les variables agrégées sont une combinaison de plusieurs variables qui sont enrichies et ont une valeur d'importance agrégée.

Pour plus d'informations sur l'importance des variables, voir Importance de la variable du modèle.

Une variable (brute ou agrégée) avec un nombre beaucoup plus élevé par rapport au reste pourrait indiquer que le modèle pourrait être surajusté. En revanche, les variables avec des nombres relativement faibles pourraient simplement être du bruit.

Après avoir examiné les performances du modèle et décidé quels seuils de score du modèle correspondent à votre modèle commercial, vous pouvez déployer la version du modèle. Pour cela, sur le Actions menu, choisissez Déployer la version du modèle. Une fois le modèle déployé, nous créons un point de terminaison de détecteur et effectuons une prédiction en temps réel.

Créer un point de terminaison de détecteur et définir des règles métier

Amazon Fraud Detector utilise des points de terminaison de détecteur pour générer des prédictions de fraude. Un détecteur contient une logique de détection, telle que des modèles entraînés et des règles métier, pour un événement spécifique que vous souhaitez évaluer pour la fraude. La logique de détection utilise des règles pour indiquer à Amazon Fraud Detector comment interpréter les données associées au modèle.

Pour créer un détecteur, procédez comme suit :

• Sur la console Amazon Fraud Detector, dans le volet de navigation, choisissez Détecteurs.
• Selectionnez Créer un détecteur.
• Pour Nom du détecteur, entrez un nom.
• Facultativement, décrivez votre détecteur.
• Pour Type d'événement, choisissez le même type d'événement que le modèle créé précédemment.
• Selectionnez Suivant.

• Sur le Ajouter un modèle (facultatif) page, choisissez Ajouter un modèle.

• Pour ajouter un modèle, choisissez le modèle que vous avez formé et publié au cours des étapes de formation du modèle et choisissez la version active.
• Selectionnez Ajouter un modèle.

Dans le cadre de l'étape suivante, vous créez les règles métier qui définissent un résultat. Une règle est une condition qui indique à Amazon Fraud Detector comment interpréter les valeurs des variables lors d'une prédiction de fraude. Une règle se compose d'une ou plusieurs variables, d'une expression logique et d'un ou plusieurs résultats. Un résultat est le résultat d'une prédiction de fraude et est renvoyé si la règle correspond lors d'une évaluation.

• Définir decline_rule as $= 950 avec résultat deny_login.
• Définir friction_rule as $ your_model_name _insightscore >= 855 et $ your_model_name_insightscore >= 950 avec résultat challenge_login.
• Définir approve_rule as $account_takeover_model_insightscore < 855 avec résultat approve_login.

Les résultats sont des chaînes renvoyées dans le GetEventPrediction Réponse API. Vous pouvez utiliser les résultats pour déclencher des événements en appelant des applications et des systèmes en aval ou simplement pour identifier qui est susceptible d'être frauduleux ou légitime.

• Sur le Ajouter des règles page, choisissez Suivant après avoir fini d'ajouter toutes vos règles.

• Dans le Configurer l'exécution des règles section, choisissez le mode pour votre moteur de règles.
  Le moteur de règles d'Amazon Fraud Detector a deux modes : première correspondance ou toutes correspondances. Le mode Première correspondance concerne les exécutions de règles séquentielles, renvoyant le résultat pour la première condition remplie. L'autre mode correspond à toutes les règles, qui évalue toutes les règles et renvoie les résultats de toutes les règles correspondantes. Dans cet exemple, nous utilisons le premier mode adapté pour notre détecteur.

Après ce processus, vous êtes prêt à créer votre détecteur et à exécuter quelques tests.

• Pour exécuter un test, accédez à votre détecteur nouvellement créé et choisissez la version du détecteur que vous souhaitez utiliser.
• Fournissez les valeurs de variable demandées et choisissez Lancer le test.

À la suite du test, vous recevez le score de risque et le résultat en fonction de vos règles métier.

Vous pouvez également rechercher des prédictions passées en accédant au panneau de gauche et en choisissant Rechercher des prédictions passées. La prédiction est basée sur la contribution de chaque variable à la probabilité globale d'un événement frauduleux. La capture d'écran suivante est un exemple d'une prédiction passée montrant les variables d'entrée et leur influence sur le score de prédiction de fraude.

Obtenez des prédictions en temps réel

Pour obtenir des prédictions en temps réel et intégrer Amazon Fraud Detector dans votre flux de travail, nous devons publier le point de terminaison du détecteur. Effectuez les étapes suivantes :

• Accédez au détecteur nouvellement créé et choisissez la version du détecteur, qui sera la version 1.
• Sur le Actions menu, choisissez Publier.

Vous pouvez effectuer des prédictions en temps réel avec le détecteur publié en appelant le GetEventPrediction API. Voici un exemple de code Python pour appeler le GetEventPrediction API:

import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.get_event_prediction(
detectorId = 'sample_detector',
eventId = '802454d3-f7d8-482d-97e8-c4b6db9a0428',
eventTypeName = 'sample_transaction',
eventTimestamp = '2021-01-13T23:18:21Z',
entities = [{'entityType':'customer', 'entityId':'12345'}],
eventVariables = {
    'email_address' : 'johndoe@exampledomain.com',
    'ip_address' : '1.2.3.4'
}
)

Conclusion

Amazon Fraud Detector s'appuie sur des modèles spécifiques avec des algorithmes, des enrichissements et des transformations de fonctionnalités personnalisés pour détecter les événements frauduleux dans plusieurs cas d'utilisation. Dans cet article, vous avez appris à ingérer des données, former et déployer un modèle, écrire des règles métier et publier un détecteur pour générer des prévisions de fraude en temps réel sur des comptes potentiellement compromis.

Visiter Détecteur de fraude Amazon pour en savoir plus sur Amazon Fraud Detector ou sur notre GitHub repo pour les exemples de code, les blocs-notes et les ensembles de données synthétiques.

À propos des auteurs

Marcel Pividal est un architecte senior de solutions de services d'IA dans l'organisation spécialisée mondiale. Marcel a plus de 20 ans d'expérience dans la résolution de problèmes commerciaux grâce à la technologie pour les Fintechs, les fournisseurs de paiement, l'industrie pharmaceutique et les agences gouvernementales. Ses domaines d'intérêt actuels sont la gestion des risques, la prévention de la fraude et la vérification de l'identité.

Mike Ames est un scientifique des données devenu spécialiste des solutions de vérification d'identité, il possède une vaste expérience dans le développement de solutions d'apprentissage automatique et d'IA pour protéger les organisations contre la fraude, le gaspillage et les abus. Dans ses temps libres, vous pouvez le trouver en randonnée, en VTT ou jouer au freebee avec son chien Max.