Pagamentos Open Banking seguros: como a Trustly usa o aprendizado de máquina para evitar fraudes

Você já se perguntou como a Trustly lidera o Pay by Bank? Hoje, estamos abrindo a cortina e dando a você uma visão exclusiva da tecnologia que torna tudo isso possível. Nosso engenheiro de aprendizado de máquina (ML), Gustavo Polleti, assume o The Trustly Blog para revelar os segredos por trás do nosso sucesso.

Nosso sistema proprietário de prevenção de fraudes aproveita dados de mais de 99% das instituições financeiras norte-americanas, fornecendo informações incomparáveis sobre padrões de transação e fatores de risco. No entanto, o cenário do Pay by Bank apresenta desafios únicos. As conexões com bancos terceirizados podem ser imprevisíveis, e o acesso a dados em tempo real nem sempre é garantido.

É por isso que a Trustly incorpora “graus de proteção inteligentes” para garantir sua segurança. Nossos modelos de ML são projetados para lidar com possíveis interrupções, como conexões atrasadas ou informações desatualizadas. Também empregamos estratégias de fallback confiáveis para manter a segurança mesmo quando enfrentamos falhas inesperadas.

Por que as estratégias de fallback são essenciais para pagamentos seguros do Open Banking

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

As estratégias alternativas garantem que as operações continuem sem problemas, mesmo durante interrupções do sistema ou atrasos nos dados. Considere as possíveis consequências de uma falha no sistema de ML: uma transação fraudulenta pode ser aprovada ou um empréstimo arriscado pode ser concedido. Esses erros podem prejudicar gravemente uma instituição financeira, tanto financeiramente quanto em sua reputação.

A confiança nos dados do Open Banking também amplifica o desafio. Muitos sistemas modernos de ML dependem desses dados para uma avaliação precisa dos riscos. No entanto, confiar em fontes de dados externas apresenta possíveis vulnerabilidades. Por exemplo, o processo de avaliação de risco pode ser comprometido se uma instituição financeira que fornece dados do Open Banking sofrer uma interrupção.

Para mitigar esse risco, estratégias robustas de fallback são essenciais. Essas estratégias garantem que as avaliações de risco permaneçam confiáveis e eficazes, mesmo quando confrontadas com interrupções de dados ou falhas no sistema. Isso ajuda a evitar fraudadores evita a exploração de possíveis vulnerabilidades e protege as instituições financeiras de perdas significativas.

Arquitetura hierárquica de fallback da Trustly: uma abordagem de segurança em várias camadas

Trustly emprega uma arquitetura de fallback sofisticada e de várias camadas para garantir a resiliência e a confiabilidade de nosso sistema de avaliação de risco baseado em ML. Essa arquitetura, ilustrada na Figura 1, inclui um modelo principal e etapas adicionais de fallback para lidar com vários cenários de falha.

Fallback de interrupção do provedor de dados: mantendo a precisão

Trustly mantém uma versão de modelo dedicada projetada explicitamente como alternativa para cada grupo crítico de fontes de dados em caso de falha do provedor de dados. Essa abordagem garante que o sistema sempre use a melhor versão do modelo disponível para fazer avaliações de risco, minimizando o impacto das interrupções de dados.

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

‍

Políticas de redundância e repetição: aprimorando a resiliência na avaliação de risco em tempo real

A segunda camada da arquitetura alternativa da Trustly se concentra na otimização da redundância e nas políticas de repetição. Essa abordagem aprimora a resiliência do sistema ao mitigar os problemas causados pela indisponibilidade momentânea do serviço ou picos de latência, que são desafios comuns em ambientes de dados em tempo real.

Quando o modelo primário de ML não está disponível ou apresenta atrasos, o sistema automaticamente tenta repetir a operação. Essa política de repetição considera vários fatores, incluindo informações sobre as operações, a probabilidade de falhas subsequentes e o tempo adicional necessário para a análise de risco.

O sistema da Trustly gerencia de forma inteligente as novas tentativas de garantir que interrupções temporárias não comprometam a precisão da avaliação de risco. Essa abordagem usa o modelo primário de ML sempre que possível, maximizando sua eficácia e minimizando a dependência de modelos alternativos.

Modelo alternativo do lado do cliente: garantindo a funcionalidade mesmo nos piores cenários

A camada final da arquitetura de fallback da Trustly é o modelo de fallback do lado do cliente. Esse modelo atua como uma última linha de defesa, garantindo que as avaliações de risco ainda possam ser realizadas mesmo quando todos os outros sistemas não estiverem disponíveis.

A arquitetura da Trustly tem um aplicativo de software principal que orquestra chamadas para cada serviço de modelo independente, o modelo principal e seus substitutos. Por exemplo, se os serviços do modelo não estiverem disponíveis devido a interrupções na infraestrutura, teremos um substituto do lado do cliente incorporado ao aplicativo de software principal. Portanto, esse substituto do lado do cliente sempre estará disponível porque faz parte do próprio aplicativo de software principal.

Esse modelo usa menos fontes de dados, reduzindo a memória necessária para execução, garantindo que o modelo possa operar com eficiência mesmo sob condições extremas, como interrupções generalizadas do sistema ou limitações severas de dados.

Pesquisa pioneira da Trustly sobre segurança de aprendizado de máquina

A Trustly é pioneira no desenvolvimento de sistemas de aprendizado de máquinas seguras e confiáveis para pagamentos Open Banking. Nossa abordagem inovadora define uma referência do setor em segurança e promove a pesquisa e o avanço no campo. Estamos comprometidos em compartilhar nosso conhecimento e experiência com a comunidade em geral.

Nossa pesquisa mais recente detalha a arquitetura hierárquica de fallback da Trustly e como ela garante a resiliência e a confiabilidade do nosso sistema de avaliação de risco baseado em ML, mesmo em face de interrupções inesperadas ou limitações de dados.

Trustly fornece aos nossos clientes uma solução segura e confiável Experiência de pagamento em Open Banking. Conseguimos isso combinando uma base de conhecimento abrangente com modelos avançados de ML para combater fraudes e crimes financeiros. Para saber mais, entre em contato com nossa equipe aqui.

‍