Yapay zeka (AI) düzgün bir şekilde kullanılırsa kredi birliklerinin dolandırıcılık karar verme yeteneklerini geliştirir. Provenir'in Kuzey Amerika EVP'si Kathy Bakışları inanmaktadır.

Sahtekarlığın tespiti ve önlenmesi, kredi birlikleri için büyük bir önceliktir çünkü yapay zekanın hizmet sunumunu nasıl geliştirebileceğini düşünüyorlar, çünkü muhtemelen sahtekarlık onları çok etkiliyor. Yakın zamanda yapılan bir ankete göre, kredi birlikleri ve topluluk bankalarının %79'u doğrudan dolandırıcılık zararlarında 500,000 dolardan fazla rapor verdi; bu rakam diğer tüm kesimlerden daha fazla. Juniper Research'e göre dünya çapındaki işletmeler, 10'de yapay zeka destekli finansal dolandırıcılık tespit ve önleme stratejisi platformlarına her yıl 2027 milyar dolardan fazla harcayacak. Bu, 50'ye göre %2022'den fazla bir artışa denk geliyor.

Stares, tahmine dayalı yapay zekanın finansal kuruluşların iş süreçlerini optimize etmesini sağladığını söyledi. Bu, kaynakları serbest bırakır ve dolandırıcılığa karşı daha odaklı bir yaklaşımı teşvik eder. Yapay zeka, müşteri yaşam döngüsü boyunca dolandırıcılık modellemesinde etkili tahmin yeteneği sunmak için insan kapasitesinin ötesinde milyonlarca özelliği işleyebilir.

Stares, "Belirlenen trendler var ve bence önemli olan, bunları bir karar verme platformunda işlevsel hale getirebilme yeteneği" dedi.

Kredi birliklerinin benzersiz yapay zeka hususları vardır

Tasarım gereği, kredi birlikleri farklı dolandırıcılık türlerini cezbedebilir. Şube ve üyelik tasarımları birinci taraf ve kimlik sahtekarlığına elverişlidir. Bu aynı zamanda sosyal mühendislik dolandırıcılıklarının da ilgisini çekiyor.

Kredi birlikleri, dijital dolandırıcılık önleme çözümlerini entegre ederken yerelleştirilmiş tabanlarına yüksek düzeyde güven sağlamalıdır. Sistemler yanlış pozitifleri azaltmalı ve meşru müşterilerin sorunsuz bir şekilde işlem yapmasına izin vermelidir. Stares, yapay zeka tabanlı sistemlerin erken tespit ve uyarılar sağlamak için gerçek zamanlı karar vermeyle birleştirilmesi gerektiğini söyledi.

Kredi birlikleri daha homojen müşteri tabanlarına sahip olma eğilimindedir. Yapay zeka, anormal davranışları hızlı bir şekilde tespit etmek için mükemmeldir. Model daha fazla veriyle beslendikçe şüpheli etkinliği çok daha hızlı tespit edecek.

Stares, "Alternatif verilerle bağlantı kurmak önemli" diye tavsiyede bulundu. “Bu, ortaya çıkan dolandırıcılık gibi yaşam döngüsü boyunca dolandırıcılığı belirlemede öngörücü bir niteliği olup olmadığını görmek için geliyor ve eşleşiyor. Potansiyel olarak müşterilerin gerçek banka hesaplarına ve finansal bilgilerine bakmanıza izin verdiği işlem tabanlı verileri kullanarak KYC ve AML verilerini eklemek, gelecekteki sahtekarlığı harekete geçirebilecek şeylerin göstergesi olacaktır. 

“Bu nedenle teknoloji, verileri gerçek zamanlı olarak enjekte etmek önemlidir, böylece verileri kullanabilirsiniz… modelleri geliştirmek veya yaşam döngüsü boyunca sahtekarlığı önlemenin öngörücü doğasına bakmak için savunabileceğiniz/meydan okuyabileceğiniz modelleri potansiyel olarak yerleştirmek için . Bu nedenle erken uyarı çok önemli.”

Dolandırıcılar da yapay zekayı kullanıyor. Kurumlar taktiklerini kavradıkça hızla yeni stratejilere yönelmelerine yardımcı olur. Kredi birlikleri bunu aynı amaçlarla kullanabilir: şüpheli faaliyeti tahsilat olarak silinmeden önce hızlı bir şekilde tanımlamak.

Ölçeklendirme konuları

Yapay zeka aynı zamanda kredi birliklerinin güçlenmesinde ve ölçeklenmesinde de rol oynuyor. Stares, yapay zekanın ilgili tüm veritabanlarına bağlı olmasının, yanlış pozitifleri dikkate almasının ve her şeye bir bütün olarak bakılmasının önemli olduğunu söyledi. Veriler önemlidir. Veri ekleme ve ardından sahtekarlığı hızlı bir şekilde tespit etmek için yapay zekayı kullanma konusunda yeterliliğinizi geliştirin.

Stares, "Boyutun önemli olduğunu düşünmüyorum" dedi. "Boyut ve ölçek, farklı türde dolandırıcılık saldırılarını ve sayıda dolandırıcılık saldırısını beraberinde getirebilir, ancak bence bunlarla başa çıkma şekliniz, alternatif veri enjeksiyonu ve modellerin gerçek zamanlı işlenmesiyle yapay zekayı kullanmakla aynı.

“Doğru teknolojiye sahipseniz ve tüm silolara bağlanıp diğer verileri yerleştirebiliyorsanız, bunları karar stratejilerinizi aynı şekilde yürütün ve verileri birleştirdiğiniz için onlara aynı şekilde davranın. Önemli bir risk olduğunu düşünmüyorum. Bunu yapamıyorsanız, her popülasyona farklı davranmak zorunda kalabileceğiniz için her popülasyonu tedavi etmede riskler olabilir. Ayrıca daha yüksek hatalı pozitif sonuç riskiniz olabilir. 

Tahmine dayalı yapay zeka ve insan dokunuşu: Önemli hususlar

Üretken yapay zeka daha fazla ilgi çekerken, kurumların öncelikle tahmine dayalı yapay zekayı dikkate alması akıllıca olacaktır. Stares, bunun farklı dolandırıcılık tespit modellerinin etkinliğini test etmeye yardımcı olabileceğini söyledi. Örneğin hangileri daha fazla yanlış pozitif sonuç yaratıyor? Yapay zeka tabanlı modeller de hatalarından ders alıyor ve zamanla gelişiyor.

Stares, insan dokunuşunun bir yeri olsa da bunun yapay zekanın etkinliğini de engelleyebileceğini söyledi. İnsan müdahalesi deneyime dayanır. Modeller çok geriye dönük hale gelirse tahmin güçleri zayıflar.

Optimum müşteri deneyimi de korunmalıdır. Sadakat eskisi gibi değil.

Stares, "Bir finans kurumuna bağlılık artık eskisi gibi değil" dedi. “Ancak deneyimi sunabilir ve ürünün tüm noktalarını tek bir yerde sunabilirseniz, tüketiciniz muhtemelen orada kalacaktır. 

“Yani riski müşteri deneyimine aktaramazsınız. Müşteriyi etkilemeden dolandırıcılık veya kredi riskini azaltmak için yapay zekayı ve verileri kullanmanız gerekiyor."

.pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-radius: 5% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-size: 24px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { font-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-weight: normal !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a:hover { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-user_url-profile-data { color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { text-align: center !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-recent-posts-title { border-bottom-style: dotted !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { border-style: solid !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { color: #3c434a !important; }

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://www.fintechnexus.com/ai-as-a-credit-union-fraud-fighting-tool/