Detecção de Fraudes com Grafos: Didit e Amazon Neptune (PT-BR)

Aproveite os Bancos de Dados de Grafo: O Amazon Neptune se destaca na identificação de relacionamentos complexos e não óbvios nos dados, tornando-o ideal para descobrir padrões de fraude sofisticados que os bancos de dados relacionais tradicionais podem não identificar.

Integre os Ricos Dados de Identidade da Didit: A Didit fornece dados de verificação de identidade estruturados e de alta fidelidade, incluindo biometria, documentos e informações de prova de vida, cruciais para popular e enriquecer seu grafo de fraude.

Descubra Redes de Fraude em Tempo Real: Ao conectar pontos de dados como dispositivos compartilhados, endereços e até biometria facial, as empresas podem detectar e prevenir redes de fraude proativamente, melhorando a postura geral de segurança.

A Vantagem AI-Native da Didit: A arquitetura modular e a abordagem AI-native da Didit garantem que seu sistema baseado em grafo seja alimentado com os sinais de verificação mais precisos e atualizados, permitindo fluxos de trabalho de detecção de fraude dinâmicos e adaptáveis.

A Ameaça Crescente da Fraude Sofisticada

No cenário digital atual, os fraudadores estão constantemente evoluindo suas táticas, indo além do simples roubo de identidade para orquestrar complexas redes de fraude. Essas redes exploram pontos de dados interconectados, frequentemente usando identidades sintéticas, credenciais roubadas e múltiplas contas para evadir a detecção. Sistemas tradicionais de detecção de fraude, que geralmente dependem de motores baseados em regras e bancos de dados relacionais, muitas vezes têm dificuldade em identificar esses relacionamentos intrincados e não óbvios. É aqui que os bancos de dados de grafo, combinados com dados de identidade ricos e verificados, oferecem uma vantagem significativa.

Imagine um cenário onde múltiplas contas são criadas a partir do mesmo endereço IP, usando nomes diferentes, mas compartilhando o mesmo endereço físico, ou até biometria facial semelhante em diferentes documentos de identidade. Um banco de dados relacional pode sinalizar atividades suspeitas individuais, mas um banco de dados de grafo pode visualizar e conectar imediatamente esses eventos aparentemente díspares em uma rede de fraude coesa. Ao entender essas conexões, as empresas podem passar da detecção reativa de fraude para a prevenção proativa.

Por que Bancos de Dados de Grafo para Detecção de Fraude?

Bancos de dados de grafo são construídos especificamente para armazenar e navegar relacionamentos entre pontos de dados, conhecidos como nós e arestas. Essa estrutura é inerentemente adequada para a detecção de fraude, pois a fraude frequentemente se manifesta como um padrão de conexões. Por exemplo, uma conta (nó) pode estar conectada a um dispositivo (nó), um endereço IP (nó), um e-mail (nó) e um endereço físico (nó). Quando múltiplas contas compartilham essas conexões, um banco de dados de grafo pode rapidamente revelar esses links compartilhados, indicando potencial conluio ou uma rede de fraude.

O Amazon Neptune, um serviço de banco de dados de grafo totalmente gerenciado, oferece a escalabilidade, desempenho e segurança necessários para a detecção de fraude em tempo real. Sua capacidade de realizar travessias rápidas e correspondência de padrões em bilhões de relacionamentos o torna uma ferramenta inestimável. Em vez de complexas junções SQL em muitas tabelas, uma única consulta Gremlin ou openCypher pode expor toda uma rede de atividades suspeitas, reduzindo significativamente o tempo para detectar e responder à fraude.

Integrando os Dados da Didit em Seu Grafo de Fraude

A eficácia de qualquer sistema de detecção de fraude depende da qualidade e riqueza de seus dados de entrada. É aqui que a Didit, a plataforma de identidade AI-native, desempenha um papel fundamental. A Didit oferece um conjunto abrangente de primitivos de verificação de identidade que geram dados estruturados e de alta fidelidade, essenciais para popular seu grafo do Amazon Neptune.

Considere os pontos de dados que a Didit pode fornecer:

• Verificação de ID: O OCR, MRZ e a leitura de código de barras da Didit extraem informações críticas de documentos de identidade, como nomes, datas de nascimento, números de documentos e autoridades emissoras. Esses dados se tornam nós fundamentais em seu grafo.
• Prova de Vida Passiva e Ativa: Detectando deepfakes e ataques de apresentação, a Detecção de Prova de Vida da Didit garante que a pessoa que apresenta o ID está fisicamente presente e é real. Um 'Status de Prova de Vida' (Aprovado, Recusado, Em Revisão) e uma 'pontuação' podem ser adicionados como propriedades a um nó de 'Verificação', com um aviso se um 'LIVENESS_FACE_ATTACK' for detectado.
• Correspondência Facial 1:1 e Busca Facial: A porcentagem de similaridade de uma Correspondência Facial 1:1 entre uma selfie e uma foto de documento de identidade pode ser uma propriedade da aresta. Se um aviso 'FACE_IN_BLOCKLIST' for acionado pela Busca Facial, essa informação crítica pode sinalizar imediatamente um usuário no grafo.
• Comprovante de Endereço: A verificação de residência adiciona outra camada de dados conectados, ligando usuários a locais físicos.
• Verificação de Telefone e E-mail: Esses pontos de dados são cruciais para vincular usuários a canais de comunicação, muitas vezes revelando recursos compartilhados entre fraudadores.

A abordagem API-first da Didit torna a alimentação desses dados no Neptune perfeita. À medida que os usuários se cadastram ou passam por verificação, as respostas da Didit, como o objeto liveness com seu status, score, age_estimation e warnings, podem ser traduzidas diretamente em nós e arestas dentro do seu grafo. Por exemplo, um nó user pode ser conectado a um nó document, um nó liveness_session, um nó ip_address e um nó device, com arestas representando relacionamentos como HAS_VERIFIED_DOCUMENT, PERFORMED_LIVENESS, USED_IP ou USED_DEVICE. Avisos como LOW_LIVENESS_SCORE ou POSSIBLE_DUPLICATED_FACE podem ser anexados como propriedades aos nós liveness_session ou user, acionando alertas ou processos de revisão.

Construindo Seu Sistema de Detecção de Fraude Baseado em Grafo

Aqui está uma abordagem simplificada para construir seu sistema com a Didit e o Amazon Neptune:

1. Ingestão de Dados: Integre as APIs da Didit em seus fluxos de integração de usuários e transações. Capture todos os dados relevantes de verificação de identidade (detalhes do ID, pontuações de prova de vida, similaridade facial, avisos, etc.).
2. Modelagem de Grafo: Projete seu esquema de grafo. Defina nós para entidades como Pessoa, Documento, Dispositivo, IP_Address, Email, Numero_Telefone e Endereco. Defina arestas para relacionamentos como VERIFICADO_POR, USOU_DISPOSITIVO, IP_COMPARTILHADO, TEM_EMAIL, TEM_TELEFONE, MORA_EM, TEM_SESSAO_PROVA_VIDA e FACE_CORRESPONDIDA_A.
3. Popule o Grafo: Use a saída da Didit para criar e atualizar nós e arestas no Amazon Neptune. Por exemplo, quando um usuário conclui a verificação de ID e prova de vida, crie um nó Pessoa, um nó Documento e um nó Liveness_Session, juntamente com arestas que os conectam. Adicione propriedades como liveness_score, document_type ou is_blocklisted a esses nós e arestas.
4. Consulta de Padrões de Fraude: Desenvolva consultas Gremlin ou openCypher para identificar padrões suspeitos.
   • Dispositivos/IPs Compartilhados: Encontre múltiplos nós Pessoa conectados ao mesmo nó Dispositivo ou IP_Address.
   • Identidades Sintéticas: Procure por nós Pessoa com detalhes de documento diferentes, mas forte similaridade facial (da Correspondência Facial 1:1 da Didit) ou endereços/e-mails compartilhados.
   • Correspondências de Lista Negra: Sinalize imediatamente nós Pessoa onde a Busca Facial ou a Triagem AML da Didit indica uma correspondência com uma lista negra ou lista de observação.
   • Baixas Pontuações de Prova de Vida: Identifique nós Liveness_Session com baixas pontuações ou avisos de LIVENESS_FACE_ATTACK, especialmente quando combinados com outras conexões suspeitas.
5. Alertas e Ações em Tempo Real: Integre suas consultas de grafo a um sistema de alerta para notificar analistas de fraude ou acionar ações automatizadas (por exemplo, colocar uma transação em espera, solicitar verificação adicional ou recusar uma conta) quando um padrão de fraude for detectado.

Como a Didit Ajuda

A Didit está unicamente posicionada para ser a pedra angular de sua estratégia de detecção de fraude baseada em grafo. Como uma plataforma de identidade AI-native e focada no desenvolvedor, a Didit fornece os dados de identidade precisos e estruturados necessários para alimentar e enriquecer seu grafo do Amazon Neptune. Nossa arquitetura modular significa que você pode escolher os primitivos de verificação de que precisa, desde Verificação de ID e Prova de Vida Passiva e Ativa até Correspondência Facial 1:1 e Triagem e Monitoramento AML. Essa flexibilidade permite que você construa fluxos de trabalho de detecção de fraude altamente personalizados e eficazes.

As vantagens da Didit são claras: oferecemos KYC Core Gratuito, permitindo que você comece a verificar identidades e coletar dados valiosos sem custos iniciais. Nossa abordagem AI-native garante alta precisão e resiliência contra novos vetores de fraude, enquanto nossas APIs limpas e sandbox instantâneo tornam a integração direta para desenvolvedores. Com a Didit, você não está apenas obtendo um serviço de verificação; você está obtendo a camada de identidade fundamental que automatiza a confiança e potencializa seus esforços de prevenção de fraude, tudo sem taxas de configuração.

Pronto para Começar?

Pronto para ver a Didit em ação? Obtenha uma demonstração gratuita hoje.

Comece a verificar identidades gratuitamente com o nível gratuito da Didit.