Como Combater a Fraude de Identidade Sintética com Redes Neuronais Gráficas

A fraude de identidade sintética (FIS) é um problema que está a escalar rapidamente no setor financeiro, estimando-se que custe às instituições mais de 20 mil milhões de dólares anualmente. Ao contrário do roubo de identidade tradicional, a FIS envolve a criação de identidades totalmente novas usando uma combinação de Informação de Identificação Pessoal (IIP) real e fabricada. À medida que os fraudadores se tornam mais sofisticados, os sistemas tradicionais baseados em regras e até mesmo os modelos básicos de machine learning têm dificuldades em acompanhar o ritmo. É aqui que as redes neuronais gráficas (GNN) oferecem uma nova abordagem poderosa para combater este tipo de fraude complexo.

Ponto Chave 1: A fraude de identidade sintética é uma forma única de fraude que requer métodos de deteção avançados além dos sistemas tradicionais baseados em regras.

Ponto Chave 2: As Redes Neuronais Gráficas (GNN) destacam-se na identificação de relações complexas dentro dos dados, tornando-as ideais para detetar os padrões subtis indicativos de identidades sintéticas.

Ponto Chave 3: Combinar GNNs com outras técnicas de deteção de fraude, como análise comportamental e impressão digital do dispositivo, oferece os mais altos níveis de precisão.

Ponto Chave 4: A monitorização proativa e a avaliação de risco em tempo real alimentadas por GNNs são cruciais para minimizar as perdas decorrentes da fraude de identidade sintética.

Compreender a Fraude de Identidade Sintética

A fraude de identidade sintética ocorre quando os criminosos combinam IIP legítima e fabricada – como um nome real com um número de Segurança Social falso – para criar uma identidade nova e 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 representou mais de 50% de todas as perdas por fraude de identidade.

Os sistemas tradicionais de deteção de fraude geralmente não conseguem identificar identidades sintéticas porque dependem da correspondência de IIP com bases de dados existentes. Como as identidades sintéticas são novas, não têm um histórico de fraude anterior. Isso permite que os fraudadores operem sem serem detetados por longos períodos, acumulando dívidas significativas e causando danos financeiros substanciais.

O Poder das Redes Neuronais Gráficas (GNNs)

As redes neuronais gráficas (GNNs) são uma classe de modelos de machine learning projetados para analisar dados representados como gráficos. Ao contrário das redes neuronais tradicionais que processam dados de forma linear, as GNNs podem capturar relações complexas e dependências entre pontos de dados. Essa capacidade torna-as particularmente adequadas para detetar fraude de identidade sintética.

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

• Nós representam entidades como indivíduos, moradas, números de telemóvel, endereços de email e endereços IP.
• Arestas representam relações entre essas entidades – por exemplo, uma morada associada a um determinado indivíduo ou um número de telemóvel vinculado a várias contas.

As GNNs podem então aprender a identificar padrões dentro deste gráfico que são indicativos de identidades sintéticas, como conexões incomuns entre entidades aparentemente não relacionadas ou um alto grau de informação partilhada em várias contas. Procuram anomalias que não seriam aparentes para os sistemas tradicionais de deteção de fraude.

Como as GNNs Detetam Identidades Sintéticas: Uma Análise Técnica Detalhada

A principal força das GNNs reside na sua capacidade de realizar passagem de mensagens. Cada nó no gráfico agrega informações dos seus vizinhos, refinando iterativamente a sua representação com base no contexto da rede circundante. Este processo permite que a GNN aprenda embeddings – representações vetoriais – para cada nó que captura a sua posição e relações dentro do gráfico.

Especificamente, as GNNs podem identificar identidades sintéticas por:

• Deteção de Anomalias: Identificar nós (entidades) com padrões de conexão incomuns ou representações de embedding.
• Deteção de Comunidades: Descobrir clusters de entidades interconectadas que provavelmente estão associadas a atividades fraudulentas.
• Previsão de Links: Prever relações em falta entre entidades, o que pode revelar conexões ocultas entre identidades sintéticas.

Por exemplo, uma GNN pode identificar uma identidade sintética como um nó com poucas conexões com entidades legítimas, mas uma forte conexão com outros nós suspeitos. Ou, pode detetar um padrão onde uma única morada é usada para registar um grande número de contas com nomes e SSNs diferentes – uma tática comum usada por fraudadores.

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

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

• Dados de Verificação de Identidade: Resultados de verificações de documentos de identificação, deteção de vivacidade e autenticação biométrica.
• Resultados da triagem AML: Informação de listas de sanções, bases de dados PEP e relatórios de media adversa.
• Impressão digital do dispositivo: Dados sobre o dispositivo do utilizador, incluindo sistema operativo, navegador e endereço IP.
• Análise comportamental: Padrões no comportamento do utilizador, como velocidade de digitação, movimentos do rato e padrões de navegação.

Ao integrar estas diversas fontes de dados num único gráfico, as GNNs da Didit podem identificar padrões subtis que seriam perdidos pelos sistemas tradicionais de deteção de fraude. O sistema também pode aprender continuamente e adaptar-se a novas táticas de fraude, garantindo que as nossas capacidades de deteção permaneçam à frente da curva. Vimos uma melhoria de 30% na identificação de IDs sintéticos em comparação com os métodos tradicionais.

Pronto para Começar?

Não deixe que a fraude de identidade sintética prejudique o seu negócio. A plataforma avançada de deteção de fraude da Didit, alimentada por redes neuronais gráficas, pode ajudá-lo a proteger a sua organização e os seus clientes.

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

Saiba mais sobre os 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 roubar uma identidade existente e legítima. A fraude de identidade sintética envolve criar uma identidade nova e fabricada usando uma combinação de IIP real e falsa. A FIS é geralmente mais difícil de detetar porque a identidade não existe nas bases de dados existentes.

Quão eficazes são as redes neuronais gráficas na deteção de fraude de identidade sintética?

As GNNs demonstraram uma precisão significativamente maior na deteção de FIS em comparação com os métodos tradicionais. Podem descobrir relações ocultas e anomalias que são indicativas de atividade fraudulenta, levando a uma redução substancial de falsos positivos e falsos negativos.

Quais dados são necessários para construir um gráfico para deteção de fraude de identidade sintética?

Um gráfico abrangente deve incluir dados sobre indivíduos, moradas, números de telemóvel, endereços de email, endereços IP e dados transacionais. Integrar dados de verificação de identidade, triagem AML, impressão digital do dispositivo e análise comportamental é crucial para um desempenho ideal.

As GNNs podem adaptar-se a novas táticas de fraude?

Sim, as GNNs são modelos de machine learning que podem aprender continuamente e adaptar-se a novos padrões e tendências. Ao treinar novamente o modelo com novos dados, pode garantir que ele permanece eficaz na deteção de esquemas de fraude emergentes.