Pagamentos Open Banking seguros: Como Trustly utiliza a aprendizagem automática para prevenir a fraude

Já alguma vez se interrogou sobre a forma como Trustly lidera o sector do pagamento por banco? Hoje, estamos a puxar a cortina e a dar-lhe um olhar exclusivo sobre a tecnologia que torna tudo isto possível. O nosso engenheiro de aprendizagem automática (ML), Gustavo Polleti, assume o controlo do blogue Trustly para revelar os segredos do nosso sucesso.

O nosso sistema de prevenção de fraudes patenteado utiliza dados de mais de 99% das instituições financeiras norte-americanas, fornecendo informações sem paralelo sobre padrões de transação e factores de risco. No entanto, o cenário do Pay by Bank apresenta desafios únicos. As ligações com bancos terceiros podem ser imprevisíveis e o acesso a dados em tempo real nem sempre é garantido.

É por isso que Trustly incorpora "barreiras de segurança inteligentes" para garantir a sua segurança. Os nossos modelos de ML foram concebidos para lidar de forma graciosa com potenciais interrupções, tais como ligações atrasadas ou informações desactualizadas. Também utilizamos estratégias de recurso fiáveis para manter a segurança, mesmo quando confrontados com falhas inesperadas.

Porque é que as estratégias de recurso são essenciais para a segurança dos pagamentos Open Banking

O ML é crucial na mitigação de riscos em tempo real para as instituições financeiras. Mas o que acontece quando estes sistemas de ML se deparam com falhas inesperadas ou interrupções de dados? É aí que as estratégias de recurso se tornam essenciais.

As estratégias de recurso asseguram que as operações continuam sem problemas, mesmo durante interrupções do sistema ou atrasos nos dados. Considere as potenciais consequências de uma falha no sistema de ML: uma transação fraudulenta pode ser aprovada ou um empréstimo arriscado pode ser concedido. Estes erros podem prejudicar gravemente uma instituição financeira, tanto a nível financeiro como da sua reputação.

A dependência dos dados Open Banking também amplia o desafio. Muitos sistemas modernos de aprendizagem automática dependem destes dados para uma avaliação exacta dos riscos. No entanto, a dependência de fontes de dados externas introduz potenciais vulnerabilidades. Por exemplo, o processo de avaliação do risco pode ser comprometido se uma instituição financeira que fornece dados Open Banking sofrer uma interrupção.

Para mitigar este risco, são essenciais estratégias de recurso robustas. Estas estratégias garantem que as avaliações de risco permanecem fiáveis e eficazes, mesmo quando confrontadas com interrupções de dados ou falhas de sistema. Isto ajuda a evitar que os autores de fraudes explorem potenciais vulnerabilidades e protege as instituições financeiras de perdas significativas.

Arquitetura de recurso hierárquica da Trustly: Uma abordagem multi-camadas à segurança

Trustly utiliza uma arquitetura de recurso sofisticada, com vários níveis, para garantir a resiliência e a fiabilidade do nosso sistema de avaliação de riscos baseado em ML. Esta arquitetura, ilustrada na Figura 1, inclui um modelo principal e etapas de recurso adicionais para lidar com vários cenários de falha.

Recusa de fornecimento de dados: Manter a exatidão 

Trustly mantém uma versão de modelo dedicada, concebida explicitamente como uma alternativa para cada grupo de fontes de dados críticas em caso de falha do fornecedor de dados. Esta abordagem garante que o sistema utiliza sempre a melhor versão de modelo disponível para efetuar avaliações de risco, minimizando o impacto das interrupções de dados.

A primeira camada de defesa aborda situações em que os dados de entrada estão em falta devido a uma interrupção do fornecedor de dados. Nestes casos, o sistema muda automaticamente para um modelo de ML semelhante, treinado sem os dados potencialmente ausentes. Isto garante que as avaliações de risco permanecem exactas e eficazes, mesmo com informações incompletas.

‍

Políticas de redundância e repetição: Aumentar a resiliência na avaliação de riscos em tempo real

A segunda camada da arquitetura de recurso da Trustly centra-se na otimização da redundância e nas políticas de repetição. Esta abordagem aumenta a resiliência do sistema, atenuando os problemas causados por indisponibilidade momentânea do serviço ou picos de latência, que são desafios comuns em ambientes de dados em tempo real.

Quando o modelo de ML primário não está disponível ou está a sofrer atrasos, o sistema tenta automaticamente repetir a operação. Esta política de repetição considera vários factores, incluindo a informação da transação, a probabilidade de falhas subsequentes e o tempo adicional necessário para a análise de risco.

O sistema da Trustly gere de forma inteligente as novas tentativas para garantir que as interrupções temporárias não comprometem a exatidão da avaliação do risco. Esta abordagem utiliza o modelo principal de ML sempre que possível, maximizando a sua eficácia e minimizando a dependência de modelos de recurso.

Modelo de recurso do lado do cliente: Garantir a funcionalidade mesmo nos piores cenários

A camada final da arquitetura de fallback da Trustly é o Modelo de Fallback do Lado do Cliente. Este modelo actua como uma última linha de defesa, garantindo que as avaliações de risco ainda podem ser realizadas mesmo quando todos os outros sistemas não estão disponíveis.

A arquitetura da Trustly tem uma aplicação de software principal que orquestra as chamadas para cada serviço de modelo independente, o modelo principal e os seus fallbacks. Por exemplo, se os serviços de modelo estiverem indisponíveis devido a falhas na infraestrutura, temos uma solução de recurso do lado do cliente incorporada na aplicação de software principal. Assim, esta solução de recurso do lado do cliente estará sempre disponível porque faz parte da própria aplicação de software principal.

Este modelo utiliza menos fontes de dados, reduzindo a memória necessária para a execução - assegurando que o modelo pode funcionar eficazmente mesmo em condições extremas, como interrupções generalizadas do sistema ou limitações graves dos dados.

Investigação pioneira da Trustly sobre segurança de aprendizagem automática

Trustly é pioneira no desenvolvimento de sistemas de aprendizagem automática seguros e fiáveis para pagamentos Open Banking . A nossa abordagem inovadora estabelece uma referência de segurança no sector e promove a investigação e o avanço neste domínio. Estamos empenhados em partilhar os nossos conhecimentos e experiência com a comunidade em geral. 

A nossa mais recente investigação detalha a Arquitetura de Apoio Hierárquico da Trustly e a forma como esta assegura a resiliência e a fiabilidade do nosso sistema de avaliação de riscos com base em ML - mesmo face a interrupções inesperadas ou limitações de dados.

Trustly proporciona aos nossos clientes uma experiência de pagamento segura e fiável Open Banking . Conseguimos isso combinando uma base de conhecimento abrangente com modelos avançados de ML para combater fraudes e crimes financeiros. Para saber mais, contacte a nossa equipa aqui. 

‍