Combatendo a Fraude de Identidade Sintética com Redes Neurais em Grafos

A fraude de identidade sintética (FIS) é um problema em rápida escalada no setor financeiro, estimada em custos superiores a US$ 20 bilhões anualmente para as instituições. Diferentemente do roubo de identidade tradicional, a FIS envolve a criação de identidades totalmente novas usando uma combinação de informações de identificação pessoal (PII) reais e fabricadas. À medida que os fraudadores se tornam mais sofisticados, os sistemas baseados em regras tradicionais e até mesmo os modelos básicos de aprendizado de máquina lutam para acompanhar. É aí que as redes neurais em grafos (GNNs) oferecem uma nova abordagem poderosa para combater esse tipo de fraude complexa.

Ponto-chave 1: A fraude de identidade sintética é uma forma única de fraude que exige métodos de detecção avançados além dos sistemas baseados em regras tradicionais.

Ponto-chave 2: As redes neurais em grafos (GNNs) se destacam na identificação de relacionamentos complexos dentro dos dados, tornando-as ideais para detectar os padrões sutis indicativos de identidades sintéticas.

Ponto-chave 3: A combinação de GNNs com outras técnicas de detecção de fraude, como análise comportamental e impressão digital de dispositivos, oferece os mais altos níveis de precisão.

Ponto-chave 4: O monitoramento proativo e a avaliação de risco em tempo real, alimentados por GNNs, são cruciais para minimizar as perdas decorrentes da fraude de identidade sintética.

Entendendo a Fraude de Identidade Sintética

A fraude de identidade sintética ocorre quando criminosos combinam PII legítimas e fabricadas – como um nome real com um número de seguridade social falso – para criar uma nova identidade totalmente artificial. Essa identidade “sintética” é então usada para abrir contas fraudulentas, obter crédito e cometer outros crimes financeiros. A escala do problema é significativa. Um estudo de 2022 da LexisNexis Risk Solutions descobriu que a FIS respondeu por mais de 50% de todas as perdas por fraude de identidade.

Os sistemas tradicionais de detecção de fraude geralmente não conseguem identificar identidades sintéticas porque dependem de corresponder a PII a bancos de dados existentes. Como as identidades sintéticas são novas, elas não têm histórico de fraude anterior. Isso permite que os fraudadores operem sem serem detectados por longos períodos, acumulando dívidas significativas e causando danos financeiros substanciais.

O Poder das Redes Neurais em Grafos (GNNs)

Redes neurais em grafos (GNNs) são uma classe de modelos de aprendizado de máquina projetados para analisar dados representados como grafos. Diferentemente das redes neurais tradicionais que processam dados de forma linear, as GNNs podem capturar relacionamentos e dependências complexas entre os pontos de dados. Essa capacidade as torna particularmente adequadas para detectar fraude de identidade sintética.

No contexto da FIS, um grafo pode ser construído onde:

• Nós representam entidades como indivíduos, endereços, números de telefone, endereços de e-mail e endereços IP.
• Arestas representam relacionamentos entre essas entidades – por exemplo, um endereço associado a um determinado indivíduo ou um número de telefone vinculado a várias contas.

As GNNs podem então aprender a identificar padrões dentro deste grafo que são indicativos de identidades sintéticas, como conexões incomuns entre entidades aparentemente não relacionadas ou um alto grau de informações compartilhadas em várias contas. Elas procuram anomalias que não seriam aparentes para os sistemas tradicionais de detecção de fraude.

Como as GNNs Detectam Identidades Sintéticas: Uma Análise Técnica Detalhada

O principal ponto forte das GNNs reside em sua capacidade de realizar o passeio de mensagens. Cada nó no grafo agrega informações de seus vizinhos, refinando iterativamente sua representação com base no contexto da rede circundante. Esse processo permite que a GNN aprenda embeddings – representações vetoriais – para cada nó que capture sua posição e relacionamentos dentro do grafo.

Especificamente, as GNNs podem identificar identidades sintéticas por:

• Detecção de anomalias: Identificação de nós (entidades) com padrões de conexão incomuns ou representações de embedding.
• Detecção de comunidade: Descoberta de clusters de entidades interconectadas que provavelmente estão associados a atividades fraudulentas.
• Previsão de link: Previsão de relacionamentos ausentes entre entidades, que pode revelar conexões ocultas entre identidades sintéticas.

Por exemplo, uma GNN pode identificar uma identidade sintética como um nó com poucas conexões a entidades legítimas, mas uma forte conexão com outros nós suspeitos. Ou, pode detectar um padrão onde um único endereço é usado para registrar um grande número de contas com nomes e números de CPF diferentes – uma tática comum empregada por fraudadores.

A Abordagem da Didit para a Detecção de Fraude de Identidade Sintética

A Didit aproveita o poder das GNNs, combinado com outras técnicas avançadas de detecção de fraude, para fornecer uma solução abrangente para combater a fraude de identidade sintética. Nossa plataforma constrói um grafo de conhecimento dinâmico de dados de identidade, incorporando:

• Dados de verificação de identidade: Resultados de verificações de documentos de identidade, detecção de vivacidade e autenticação biométrica.
• Resultados de triagem AML: Informações de listas de sanções, bancos de dados PEP e notícias negativas.
• Impressão digital de dispositivos: Dados sobre o dispositivo do usuário, incluindo sistema operacional, navegador e endereço IP.
• Análise comportamental: Padrões no comportamento do usuário, como velocidade de digitação, movimentos do mouse e padrões de navegação.

Ao integrar essas diversas fontes de dados em um único grafo, as GNNs da Didit podem identificar padrões sutis que seriam perdidos pelos sistemas tradicionais de detecção de fraude. O sistema também pode aprender e se adaptar continuamente a novas táticas de fraude, garantindo que nossas capacidades de detecção permaneçam à frente da curva. Observamos uma melhoria de 30% na identificação de IDs sintéticos em comparação com métodos tradicionais.

Pronto para Começar?

Não deixe que a fraude de identidade sintética prejudique seus negócios. A plataforma avançada de detecção de fraude da Didit, alimentada por redes neurais em grafos, pode ajudá-lo a proteger sua organização e seus clientes.

Solicite uma demonstração hoje: https://demos.didit.me

Saiba mais sobre nossos preços: https://didit.me/pricing

FAQ

Qual é a diferença entre roubo de identidade e fraude de identidade sintética?

O roubo de identidade envolve o roubo de uma identidade existente e legítima. A fraude de identidade sintética envolve a criação de uma nova identidade fabricada usando uma combinação de PII reais e falsas. A FIS é frequentemente mais difícil de detectar porque a identidade não existe em bancos de dados existentes.

Quão eficazes são as redes neurais em grafos na detecção de fraude de identidade sintética?

As GNNs demonstraram uma precisão significativamente maior na detecção de FIS em comparação com os métodos tradicionais. Elas podem descobrir relacionamentos e anomalias ocultos que são indicativos de atividades fraudulentas, levando a uma redução substancial de falsos positivos e falsos negativos.

Quais dados são necessários para construir um grafo para a detecção de fraude de identidade sintética?

Um grafo abrangente deve incluir dados sobre indivíduos, endereços, números de telefone, endereços de e-mail, endereços IP e dados transacionais. A integração de dados de verificação de identidade, triagem AML, impressão digital de dispositivos e análise comportamental é crucial para um desempenho ideal.

As GNNs podem se adaptar a novas táticas de fraude?

Sim, as GNNs são modelos de aprendizado de máquina que podem aprender e se adaptar continuamente a novos padrões e tendências. Ao treinar novamente o modelo com novos dados, você pode garantir que ele permaneça eficaz na detecção de novos esquemas de fraude.