ІІ-скоринг шахрайства для обмінника — це не кнопка «знайти шахрая», а набір моделей, які за частку секунди оцінюють десятки сигналів однієї операції. Перш ніж закладати бюджет на таку систему, варто зрозуміти, що вона насправді рахує, кому підходить і де закінчуються її можливості — поки договір ще не підписаний.
Що постачальники називають «ШІ» — і чим це часто виявляється
Якщо на презентації звучать слова «нейромережа» і «machine learning», але жоден сигнал не названий конкретно — ймовірно, під капотом звичайний набір правил: «якщо сума більша за X і країна IP не збігається». Це не погано саме по собі: простий rule engine дешевший і передбачуваніший. Погано, коли його продають як систему, що самонавчається, і беруть за це втричі більше.
Відрізнити одне від іншого просто: запитайте, на яких даних навчалася модель і як часто вона перераховує ваги. Якщо відповідь — «на експертних правилах наших аналітиків», ШІ там немає, і про це краще знати заздалегідь.
Сім сигналів справжнього скорингу
Робоча модель майже завжди дивиться далі, ніж просто на суму переказу. Ось що варто запитати у постачальника прямо.
- Швидкість заповнення форми — бот чи скрипт вводить дані швидше і рівномірніше за людину.
- Збіг геолокації IP із заявленою країною — важлива не сама невідповідність, а те, як часто вона трапляється саме у цього клієнта.
- Повторення відбитка пристрою в різних акаунтах — ознака ферми акаунтів, а не одного невдалого користувача.
- Швидкість операцій у часі — серія угод одразу після реєстрації виглядає інакше, ніж активність клієнта з історією.
- Невідповідність заявленої мети і фактичного паттерну — «особисті потреби» і транзит через десять кошельків за годину погано узгоджуються.
- Зв'язки в графі кошельків з адресами, які інші учасники ринку вже позначили як ризикові.
- Поведінкові метрики вводу — швидкість набору, рух курсора, паузи — тонкий, але дієвий сигнал проти автоматизованого шахрайства.
Якщо постачальник впевнено відповідає хоча б на п'ять пунктів із семи — ймовірно, перед вами не перейменований rule engine.
Як перевірити постачальника за 20 хвилин
Для цього не потрібен штат дата-сайентистів — достатньо чотирьох прямих запитань.
- Який відсоток хибних спрацьовувань на тестовій вибірці і як він рахувався?
- Чи може система пояснити, чому конкретна операція отримала високий ризик-бал, чи це чорна скринька?
- Чи погодяться вони прогнати модель на вашій історії транзакцій перед купівлею?
- Як часто перенавчається модель і що відбувається, коли з'являється справді нова схема шахрайства?
Якщо постачальник уникає питання про пояснюваність — це не прискіпливість: регулятору чи банку-партнеру не поясниш рішення словами «так сказав ШІ».
Де ШІ не врятує
Скоринг чудово ловить повторювані паттерни, але слабкий проти того, чого раніше не бачив. Цілком нова схема соціальної інженерії проти вашого власного співробітника — це взагалі не про транзакції, а про людину, яку переконали обійти процедуру.
Те саме стосується інсайдерського ризику: якщо доступом до панелі адміністратора зловживає співробітник, а не зовнішній клієнт, модель ризику транзакцій цього не побачить — тут потрібен окремий контроль доступу та журналювання дій персоналу.
Типові помилки під час впровадження
- Увімкнути автоблокування одразу, без періоду роботи «під наглядом» з людиною в контурі рішень.
- Не перенавчати модель на власних даних обмінника, обмежуючись загальною галузевою моделлю постачальника.
- Сприймати risk-score як остаточний вердикт, а не як один із вхідних параметрів для рішення людини.
- Не фіксувати логіку пояснюваності для майбутніх запитів комплаєнсу чи банку-партнера.
Висновок
ІІ-скоринг шахрайства — корисний інструмент, але не заміна процесу: він знижує навантаження на ручну перевірку, а не знімає відповідальність за рішення. Перш ніж платити за ліцензію, перевірте систему на власних даних і власних сценаріях шахрайства — загальні обіцянки постачальника тут не допоможуть. Готовий обмінник із продуманими налаштуваннями ризику та комплаєнсу можна запустити на платформі iEXExchanger.
