I modelli AI antifrode rappresentano oggi una delle sfide più complesse nell’intelligenza artificiale applicata, dove velocità e precisione devono coesistere in finestre temporali di poche centinaia di millisecondi. Inoltre, la capacità di distinguere comportamenti fraudolenti da quelli legittimi richiede architetture neurali sofisticate e tecniche di machine learning all’avanguardia.
Grazie per avere letto questo articolo, non dimenticare di iscriverti al nostro feed!
Come funzionano i modelli AI antifrode in tempo reale
La rete Mastercard elabora circa 160 miliardi di transazioni all’anno. Durante i picchi stagionali, come le festività natalizie, il sistema gestisce fino a 70.000 transazioni al secondo. Di conseguenza, identificare le operazioni fraudolente senza generare falsi allarmi diventa una sfida titanica che solo i modelli AI antifrode più evoluti possono affrontare.
Il sistema Decision Intelligence Pro (DI Pro) di Mastercard analizza ogni singola transazione in meno di 300 millisecondi. Pertanto, dal momento in cui un consumatore tocca la carta contactless o clicca “acquista”, la transazione attraversa il layer di orchestrazione, ritorna sulla rete e raggiunge la banca emittente in una frazione di secondo.
“DI Pro esamina specificamente ogni transazione e il rischio associato”, spiega Johan Gerber, EVP of Security Solutions di Mastercard in un podcast di VentureBeat. “Il problema fondamentale che stiamo risolvendo è la valutazione in tempo reale”.
L’architettura dei modelli AI antifrode: reti neurali ricorrenti
Al centro di DI Pro opera una rete neurale ricorrente (RNN) che Mastercard definisce architettura “inverse recommender”. In altre parole, il sistema tratta il rilevamento delle frodi come un problema di raccomandazione, eseguendo un esercizio di completamento dei pattern per identificare come i merchant si relazionano tra loro.
Come illustra Gerber: “Ecco dove sono stati prima, ecco dove sono adesso. Ha senso per loro? Avremmo raccomandato questo merchant?”
Chris Merz, SVP of Data Science di Mastercard, chiarisce che il problema può essere scomposto in due componenti:
- Il pattern comportamentale dell’utente legittimo
- Il pattern comportamentale del truffatore
- La capacità di distinguere questi due modelli in tempo reale
- L’analisi contestualizzata di ogni singola operazione
Inoltre, Mastercard affronta la sovranità dei dati attraverso tecniche di aggregazione completamente anonimizzate. Questo approccio permette di mantenere i dati “sul territorio” rispettando le normative locali, mentre i pattern globali influenzano comunque ogni decisione locale.
Modelli AI antifrode contro criminali informatici: la controffensiva
Tuttavia, l’intelligenza artificiale non aiuta solo le istituzioni finanziarie. Anche i truffatori sfruttano l’AI per sviluppare rapidamente nuove tecniche e identificare vulnerabilità da sfruttare. Di conseguenza, la battaglia si è spostata su un piano tecnologico sempre più sofisticato.
Mastercard combatte portando la lotta sul terreno dei criminali. In particolare, utilizza “honeypot”, ambienti artificiali progettati per intrappolare i cyber criminali. Quando gli attaccanti credono di aver trovato un bersaglio legittimo, agenti AI interagiscono con loro per accedere agli account “mulo” utilizzati per incanalare il denaro.
Successivamente, applicando tecniche di graph analysis, i difensori possono determinare come e dove gli account mulo sono connessi ad account legittimi. Anche se mascherati attraverso dieci livelli di separazione, questi collegamenti permettono di mappare intere reti di frode globali.
“È meraviglioso quando portiamo la lotta a loro, perché ci causano già abbastanza problemi”, afferma Gerber.
Lezioni per gli sviluppatori di intelligenza artificiale
L’esperienza di Mastercard offre insegnamenti preziosi per chi sviluppa sistemi AI. Innanzitutto, la latenza è critica: comprimere un anno di conoscenza in 50 millisecondi per valutare una transazione richiede ottimizzazioni estreme.
In secondo luogo, il team ha creato un “malware sandbox” in collaborazione con Recorded Future, dimostrando l’importanza delle partnership strategiche. Allo stesso modo, hanno sviluppato un Data Science Engineering Requirements Document (DSERD) essenziale per allineare quattro team di ingegneria separati.
Peraltro, Gerber sottolinea l’importanza della “prioritizzazione implacabile” e di decisioni difficili per passare da “mille fiori che sbocciano” a progetti con reale impatto business. Per approfondire queste tematiche, visita il blog di Digital Seeds dedicato all’innovazione tecnologica.
Le tre fasi del deployment AI di successo
Infine, Mastercard identifica tre fasi critiche per il deployment AI efficace:
- Ideazione: identificare il problema e la soluzione potenziale
- Attivazione: fase spesso saltata dalle aziende, ma cruciale per preparare l’organizzazione
- Implementazione: deployment effettivo del sistema in produzione
In conclusione, i modelli AI antifrode dimostrano che l’intelligenza artificiale enterprise richiede non solo algoritmi sofisticati, ma anche architetture ottimizzate per la latenza, governance dei dati rigorosa e allineamento organizzativo. Questi sistemi che operano in 300 millisecondi offrono lezioni preziose per qualsiasi sviluppatore AI che affronti sfide di scala e velocità simili.
