چشمانداز کلاهبرداری فینتک در دو سال گذشته به طور چشمگیری تسریع شده است. کلاهبرداری کارت، تصرف حساب، دستکاری پرداخت و طرحهای هویت مصنوعی پیچیدهتر و پرهزینهتر شدهاند. مؤسسات مالی و پلتفرمهای فینتک که در برابر این تهدیدها دفاع میکنند، نمیتوانند بدون هوش مصنوعی به طور مؤثر این کار را انجام دهند. اما روش استقرار هوش مصنوعی تشخیص کلاهبرداری در اروپا به طور قابل توجهی با ایالات متحده متفاوت است و این تفاوت مزیت رقابتی پایداری را برای شرکتهای اروپایی ایجاد میکند.
من از طریق NexaTech Ventures به دقت شرکتهای هوش مصنوعی تشخیص کلاهبرداری را رصد کردهام و آنچه میبینم دوگانگی بازار است. پلتفرمهای فینتک آمریکایی عمدتاً ریسک کلاهبرداری را به خدمات شخص ثالث برونسپاری میکنند. شرکتهای اروپایی در حال ساخت سیستمهای اختصاصی تشخیص کلاهبرداری هستند که مستقیماً در زیرساخت پردازش پرداخت آنها ادغام میشود. پیامدها قابل توجه است.
مشکل تشخیص کلاهبرداری که هوش مصنوعی واقعاً حل میکند
کلاهبرداری نامتقارن است. یک تراکنش مشروع باید در زمان واقعی اتفاق بیفتد، اما یک تراکنش کلاهبردارانه میتواند بعداً شناسایی و برگردانده شود. سیستمهای سنتی تشخیص کلاهبرداری از نظر تاریخی سعی کردهاند از وقوع کلاهبرداری جلوگیری کنند، با استفاده از سیستمهای مبتنی بر قانون که تراکنشها را بر اساس معیارهای از پیش تعیین شده علامتگذاری میکنند. این سیستمها ضروری هستند اما اساساً محدود. یک سیستم مبتنی بر قانون که تراکنشهای پرخطر را مسدود میکند، ناگزیر برخی تراکنشهای مشروع را نیز مسدود میکند و اصطکاک مشتری ایجاد میکند که پلتفرمهای فینتک نمیتوانند آن را تحمل کنند.
هوش مصنوعی این محاسبه را تغییر میدهد. مدلهای یادگیری ماشین که بر روی میلیونها تراکنش تاریخی آموزش دیدهاند، میتوانند الگوهای مشروع و کلاهبردارانه را با دقتی که سیستمهای مبتنی بر قانون نمیتوانند با آن برابری کنند، تشخیص دهند. مهمتر از آن، آنها میتوانند در زمان واقعی یاد بگیرند. همانطور که تکنیکهای کلاهبرداری تکامل مییابند و مهاجمان رویکردهای خود را تطبیق میدهند، سیستمهای مبتنی بر هوش مصنوعی به طور همزمان سازگار میشوند. این مزیت اساسی سیستمهای مبتنی بر یادگیری نسبت به سیستمهای ایستای مبتنی بر قانون است.
تکنیکهای کلاهبرداری که در 2026 در حال تکامل هستند، این نوع قابلیت سازگاری را میطلبند. حملات تصرف حساب مکانیزه شدهاند و از اعتبارنامههای به خطر افتاده در مقیاس وسیع در چندین پلتفرم استفاده میکنند. کلاهبرداری پرداخت به طور فزایندهای ترکیبی است - ترکیب مهندسی اجتماعی، ایجاد هویت مصنوعی و انتقال ارزش برای انتقال پول از طریق زنجیرههای تراکنش به ظاهر مشروع. تشخیص نه تنها به تشخیص الگو، بلکه به درک قصد و رفتار در زمینه نیاز دارد.
چرا مقررات اروپایی خندقهای دفاعی ایجاد میکند
دستورالعمل PSD2 و جانشین آن، PSD3 (که انتظار میرود در 2025 به اجرا درآید)، احراز هویت قوی مشتری را برای تمام پرداختهای آنلاین الزامی کردهاند و چارچوبی برای بانکداری باز ایجاد کردهاند که به مؤسسات مالی نیاز دارد دادههای مشتری را از طریق APIها به اشتراک بگذارند. این محیط نظارتی اغلب به عنوان باری توسط شرکتهای فینتک که از هزینههای انطباق ناامید هستند، به تصویر کشیده میشود. در واقع، این مزیت رقابتی پایداری را برای شرکتهایی که سیستمهای تشخیص کلاهبرداری در آن ایجاد میکنند، ایجاد میکند.
دلیل آن دسترسی به داده و استانداردسازی است. چارچوب PSD2 به اشخاص ثالث مجاز نیاز دارد که به اطلاعات حساب مشتری، تاریخچه تراکنش و رویدادهای احراز هویت دسترسی داشته باشند. برای یک پلتفرم فینتک که به عنوان یک مؤسسه پرداخت تحت PSD2 مجاز است، این بدان معناست که آنها دارایی دادهای دارند که رقبای آمریکایی آنها عمدتاً فاقد آن هستند: دسترسی استاندارد شده و تأیید شده توسط نظارتی به وسعت تاریخچه تراکنش مشتری و دادههای رفتاری در چندین مؤسسه مالی اروپایی.
مهمتر از آن، نیاز نظارتی برای شفافیت و گزارشدهی تراکنش، دادههای ساختاریافته ایجاد میکند. هر پرداخت باید در قالبهای استاندارد ثبت شود، هر رویداد احراز هویت ثبت شود، هر ادعای کلاهبرداری مستند شود. این مجموعه دادههای آموزشی را برای مدلهای یادگیری ماشین ایجاد میکند که به طور قابل توجهی تمیزتر و جامعتر از مجموعه دادههای جمعآوری شده از تاریخچه تراکنش یک شرکت واحد است.
در NexaTech Ventures، این یکی از سیگنالهای کلیدی است که ما در شرکتهای تشخیص کلاهبرداری فینتک اروپایی به دنبال آن هستیم: آیا آنها سیستم خود را برای استفاده از دسترسی به داده و الزامات شفافیت PSD2 و فراتر از آن ساختهاند؟ شرکتهایی که این کار را کردهاند، مدلهایی با دسترسی به مجموعه ویژگیهای غنیتر نسبت به رقبای آمریکایی خود میسازند که مستقیماً به دقت بهتر تشخیص کلاهبرداری تبدیل میشود.
مزیت معماری
شرکتهای فینتک اروپایی هوش مصنوعی تشخیص کلاهبرداری را در لایه معماری متفاوتی نسبت به اکثر پلتفرمهای فینتک آمریکایی مستقر میکنند. به جای استفاده از تشخیص کلاهبرداری به عنوان یک بررسی پاییندستی در تراکنشهای تکمیل شده، آنها آن را در خط لوله پردازش پرداخت خود جاسازی میکنند. این نیازمند رویکردهای فنی متفاوت است و دینامیکهای رقابتی متفاوتی ایجاد میکند.
تصمیمگیری در مورد کلاهبرداری در زمان واقعی در مقیاس - انجام ارزیابی کلاهبرداری در عرض میلیثانیه پس از شروع یک تراکنش - نیازمند انتقال محاسبات به نزدیکتر به خود تراکنش است. شرکتهای اروپایی که زیرساخت پرداخت خود را میسازند، مدلهای یادگیری ماشین را مستقیماً در لایه پردازش تراکنش خود مستقر میکنند و به تأخیرهایی دست مییابند که رویکردهای مبتنی بر پلتفرم نمیتوانند با آن برابری کنند.
این اثرات مرتبه دوم دارد. تأخیر کمتر به معنای دادههای ویژگی دقیقتر در لحظه تصمیم است. دادههای ویژگی دقیقتر به معنای عملکرد بهتر مدل است. عملکرد بهتر مدل به معنای مسدود شدن کمتر تراکنشهای مشروع است که مستقیماً به مزیت تجربه مشتری و هزینههای کمتر جذب مشتری تبدیل میشود.
چندین شرکت فینتک اروپایی زیرساخت اختصاصی پردازش تراکنش را به طور خاص برای فعال کردن این امر ساختهاند. آنها ریسک کلاهبرداری خود را به اشخاص ثالث برونسپاری نمیکنند؛ آنها ریسک کلاهبرداری خود را با مالکیت خط لوله کامل تراکنش از آغاز تا تسویه کنترل میکنند.
فرصت سرمایهگذاری
بازار هوش مصنوعی تشخیص کلاهبرداری قابل توجه و در حال رشد است. طبق تحقیقات اخیر تحلیلگران، زیانهای کلاهبرداری فینتک جهانی سالانه از صد میلیارد پوند فراتر میرود و سریعتر از حجم تراکنشها در حال رشد است. استدلال اقتصادی برای سرمایهگذاری در پیشگیری از کلاهبرداری ساده است.
اما فرصت برای سرمایهگذاران اروپایی خاصتر است. قابل دفاعترین کسبوکارهای تشخیص کلاهبرداری فینتک کسانی هستند که سه عنصر را ترکیب میکنند: مدلهای اختصاصی هوش مصنوعی که بر روی مجموعه دادههای تراکنش بزرگ و متنوع آموزش دیدهاند؛ ادغام معماری در زیرساخت پردازش پرداخت به جای قرارگیری اضافی؛ و چارچوبهای انطباق نظارتی که مزایای پایدار داده ایجاد میکنند.
در NexaTech Ventures، ما از شرکتهای اروپایی که این معیارها را برآورده میکنند، حمایت میکنیم. ما کمتر به شرکتهایی که پلتفرمهای عمومی تشخیص کلاهبرداری برای فروش به بانکها یا شرکتهای فینتک میسازند، علاقهمند هستیم. آن کسبوکارها با فشار قیمتگذاری شدید روبرو هستند و برای دفاع از موقعیت بازار تلاش میکنند. ما از شرکتهایی حمایت میکنیم که تشخیص کلاهبرداری را به عنوان منبع مزیت رقابتی در پلتفرمهای فینتک خود میسازند.
شرکتهای فینتک اروپایی که این مشکل را حل میکنند - دستیابی به دقت برتر تشخیص کلاهبرداری در حالی که نرخ رد تراکنشهای مشروع کمتری را حفظ میکنند - به مزیت تجربه مشتری دست خواهند یافت که به رشد پایدار و موقعیت بازار قابل دفاع تبدیل میشود.
آنچه باید در مرحله بعدی اتفاق بیفتد
برای اینکه شرکتهای فینتک اروپایی به طور کامل از این مزیت بهرهبرداری کنند، باید سه کار انجام دهند. اول، سرمایهگذاری قابل توجه در زیرساخت و استعداد یادگیری ماشین. ساخت مدلهای اختصاصی تشخیص کلاهبرداری نیازمند سرمایهگذاری مداوم در قابلیت علم داده است که بسیاری از شرکتهای فینتک از نظر تاریخی برونسپاری کردهاند. این باید تغییر کند.
دوم، اشتراکگذاری آزادانه دادهها در اکوسیستم فینتک اروپایی. قابلیت جمعی تشخیص کلاهبرداری فینتک اروپایی به طور چشمگیری بهبود مییابد اگر صنعت دادههای ناشناس کلاهبرداری را به اشتراک بگذارد و در توسعه مدل همکاری کند. این نیازمند پیمایش دقیق GDPR است، اما از نظر فنی امکانپذیر است و به همه در اکوسیستم سود میرساند.
سوم، سرمایهگذاری در روابط نظارتی که فینتک اروپایی را اداره میکنند. شرکتهایی که به شکلدهی نحوه اجرای مقرراتی مانند PSD3 کمک میکنند، نفوذ پایداری بر چشمانداز رقابتی خواهند داشت.
فرصت هوش مصنوعی تشخیص کلاهبرداری در فینتک اروپایی هایپ نیست. واقعی است، قابل توجه است و برای شرکتهایی که به طور استراتژیک به آن نزدیک میشوند، در دسترس است.
Scott Dylan بنیانگذار NexaTech Ventures است. او در مورد هوش مصنوعی، فینتک و سرمایهگذاری فناوری مینویسد. بیشتر در scottdylan.com بخوانید.
