Обнаружение мошенничества с помощью графов: Didit и Amazon Neptune (RU)

Используйте графовые базы данныхAmazon Neptune превосходно выявляет сложные, неочевидные связи в данных, что делает его идеальным для раскрытия изощренных схем мошенничества, которые традиционные реляционные базы данных могут упустить.

Интегрируйте богатые данные о личности от DiditDidit предоставляет высокоточные, структурированные данные для проверки личности, включая биометрические данные, информацию о документах и проверку на живость, что имеет решающее значение для заполнения и обогащения вашего графа мошенничества.

Выявляйте мошеннические сети в реальном времениСоединяя такие данные, как общие устройства, адреса и даже биометрические данные лица, предприятия могут заранее выявлять и предотвращать мошеннические сети, улучшая общую безопасность.

Преимущество Didit, основанное на ИИМодульная архитектура Didit и подход, основанный на ИИ, гарантируют, что ваша графовая система получает самые точные и актуальные сигналы проверки, обеспечивая динамические и адаптивные рабочие процессы обнаружения мошенничества.

Растущая угроза изощренного мошенничества

В современном цифровом мире мошенники постоянно совершенствуют свою тактику, переходя от простой кражи личных данных к организации сложных мошеннических сетей. Эти сети используют взаимосвязанные точки данных, часто используя синтетические личности, украденные учетные данные и несколько учетных записей, чтобы избежать обнаружения. Традиционные системы обнаружения мошенничества, обычно основанные на движках, работающих по правилам, и реляционных базах данных, часто с трудом выявляют эти сложные, неочевидные связи. Именно здесь графовые базы данных в сочетании с богатыми, проверенными данными о личности предлагают значительное преимущество.

Представьте себе сценарий, когда несколько учетных записей создаются с одного и того же IP-адреса, используя разные имена, но имея один и тот же физический адрес или даже похожие биометрические данные лица в разных документах, удостоверяющих личность. Реляционная база данных может отметить отдельные подозрительные действия, но графовая база данных может немедленно визуализировать и связать эти, казалось бы, разрозненные события в единую мошенническую сеть. Понимая эти связи, предприятия могут перейти от реактивного обнаружения мошенничества к проактивному предотвращению.

Почему графовые базы данных для обнаружения мошенничества?

Графовые базы данных специально созданы для хранения и навигации по связям между точками данных, известными как узлы и ребра. Эта структура изначально подходит для обнаружения мошенничества, потому что мошенничество часто проявляется как набор связей. Например, учетная запись (узел) может быть связана с устройством (узел), IP-адресом (узел), электронной почтой (узел) и физическим адресом (узел). Когда несколько учетных записей имеют эти связи, графовая база данных может быстро выявить эти общие ссылки, указывая на потенциальный сговор или мошенническую сеть.

Amazon Neptune, полностью управляемый сервис графовых баз данных, обеспечивает масштабируемость, производительность и безопасность, необходимые для обнаружения мошенничества в реальном времени. Его способность выполнять быстрые обходы и сопоставление с образцом по миллиардам связей делает его бесценным инструментом. Вместо сложных SQL-соединений по многим таблицам, один запрос Gremlin или openCypher может выявить целую сеть подозрительной активности, значительно сокращая время на обнаружение мошенничества и реагирование на него.

Интеграция данных Didit в ваш граф мошенничества

Эффективность любой системы обнаружения мошенничества зависит от качества и полноты входных данных. Именно здесь Didit, платформа идентификации на основе ИИ, играет ключевую роль. Didit предоставляет полный набор примитивов для проверки личности, которые генерируют высокоточные, структурированные данные, необходимые для заполнения вашего графа Amazon Neptune.

Рассмотрим данные, которые может предоставить Didit:

• Проверка ID: OCR, MRZ и сканирование штрих-кодов Didit извлекают критически важную информацию из документов, удостоверяющих личность, такую как имена, даты рождения, номера документов и выдающие органы. Эти данные становятся основными узлами в вашем графе.
• Пассивная и активная проверка на живость: Обнаруживая дипфейки и атаки с презентацией, функция обнаружения живости Didit гарантирует, что человек, предъявляющий удостоверение личности, физически присутствует и реален. «Статус живости» (Одобрено, Отклонено, На рассмотрении) и «оценка» могут быть добавлены в качестве свойств к узлу «Проверка» с предупреждением, если обнаружена «АТАКА НА ЖИВУЮ ЛИЦО».
• Сопоставление лиц 1:1 и поиск лиц: Процент сходства при сопоставлении лиц 1:1 между селфи и фотографией в документе может быть свойством ребра. Если предупреждение «ЛИЦО В ЧЕРНОМ СПИСКЕ» срабатывает при поиске лиц, эта критически важная информация может немедленно пометить пользователя в графе.
• Подтверждение адреса: Проверка места жительства добавляет еще один уровень связанных данных, связывая пользователей с физическими местоположениями.
• Проверка телефона и электронной почты: Эти точки данных имеют решающее значение для связи пользователей с каналами связи, часто выявляя общие ресурсы среди мошенников.

API-центричный подход Didit позволяет без проблем передавать эти данные в Neptune. По мере регистрации пользователей или прохождения ими проверки, ответы Didit, такие как объект liveness с его status, score, age_estimation и warnings, могут быть напрямую преобразованы в узлы и ребра в вашем графе. Например, узел user может быть связан с узлом document, узлом liveness_session, узлом ip_address и узлом device, с ребрами, представляющими отношения, такие как HAS_VERIFIED_DOCUMENT, PERFORMED_LIVENESS, USED_IP или USED_DEVICE. Предупреждения, такие как LOW_LIVENESS_SCORE или POSSIBLE_DUPLICATED_FACE, могут быть прикреплены в качестве свойств к узлам liveness_session или user, вызывая оповещения или процессы проверки.

Создание вашей системы обнаружения мошенничества на основе графов

Вот упрощенный подход к созданию вашей системы с Didit и Amazon Neptune:

1. Ввод данных: Интегрируйте API Didit в процессы регистрации пользователей и транзакций. Захватывайте все соответствующие данные проверки личности (данные ID, оценки живости, сходство лиц, предупреждения и т. д.).
2. Моделирование графа: Разработайте схему графа. Определите узлы для таких сущностей, как Person, Document, Device, IP_Address, Email, Phone_Number и Address. Определите ребра для таких отношений, как VERIFIED_BY, USED_DEVICE, SHARED_IP, HAS_EMAIL, HAS_PHONE, LIVES_AT, HAS_LIVENESS_SESSION и FACE_MATCHED_TO.
3. Заполнение графа: Используйте выходные данные Didit для создания и обновления узлов и ребер в Amazon Neptune. Например, когда пользователь завершает проверку ID и живости, создайте узел Person, узел Document и узел Liveness_Session, а также ребра, соединяющие их. Добавьте свойства, такие как liveness_score, document_type или is_blocklisted к этим узлам и ребрам.
4. Запросы для выявления мошеннических схем: Разработайте запросы Gremlin или openCypher для выявления подозрительных схем.
   • Общие устройства/IP-адреса: Найдите несколько узлов Person, соединенных с одним и тем же узлом Device или IP_Address.
   • Синтетические личности: Ищите узлы Person с различными данными документов, но сильным сходством лиц (из Face Match 1:1 Didit) или общими адресами/электронными письмами.
   • Совпадения в черном списке: Немедленно помечайте узлы Person, где поиск лиц Didit или AML Screening указывает на совпадение с черным списком или списком наблюдения.
   • Низкие оценки живости: Идентифицируйте узлы Liveness_Session с низкими оценками или предупреждениями LIVENESS_FACE_ATTACK, особенно в сочетании с другими подозрительными связями.
5. Оповещения и действия в реальном времени: Интегрируйте ваши графовые запросы с системой оповещений, чтобы уведомлять аналитиков по борьбе с мошенничеством или запускать автоматизированные действия (например, приостановку транзакции, запрос дополнительной проверки или отклонение учетной записи) при обнаружении мошеннической схемы.

Как Didit помогает

Didit уникально позиционируется как краеугольный камень вашей стратегии обнаружения мошенничества на основе графов. Будучи платформой идентификации, ориентированной на разработчиков и использующей ИИ, Didit предоставляет точные, структурированные данные о личности, необходимые для питания и обогащения вашего графа Amazon Neptune. Наша модульная архитектура означает, что вы можете выбирать необходимые примитивы проверки, от проверки ID и пассивной и активной проверки на живость до сопоставления лиц 1:1 и проверки и мониторинга AML. Эта гибкость позволяет создавать высоконастроенные и эффективные рабочие процессы обнаружения мошенничества.

Преимущества Didit очевидны: мы предлагаем бесплатный основной KYC, позволяющий начать проверять личности и собирать ценные данные без первоначальных затрат. Наш подход, основанный на ИИ, обеспечивает высокую точность и устойчивость к новым векторам мошенничества, а наши чистые API и мгновенная песочница делают интеграцию простой для разработчиков. С Didit вы получаете не просто услугу проверки; вы получаете основополагающий уровень идентификации, который автоматизирует доверие и расширяет ваши возможности по предотвращению мошенничества, и все это без платы за установку.

Готовы начать?

Готовы увидеть Didit в действии? Получите бесплатную демонстрацию сегодня.

Начните бесплатно проверять личности с помощью бесплатного уровня Didit.