چطور Stripe با استفاده از هوش مصنوعی نرخ تشخیص تقلب را «یک شبه» از ۵۹ درصد به ۹۷ درصد افزایش داد؟

استفاده از هوش مصنوعی در Stripe برای افزایش دقت تشخیص تقلب و بهبود امنیت پرداخت‌ها، نمونه‌ای ارزشمند از کاربردهای عملی هوش مصنوعی در صنعت پرداخت است. این تجربه نشان می‌دهد که هوش مصنوعی چگونه می‌تواند در جلوگیری از مشکلات مالی، جایی که بیشترین آسیب را به افراد وارد می‌کند، نقشی حیاتی ایفا کند.

Stripe، یکی از بزرگ‌ترین شرکت‌های ارائه‌دهنده خدمات پرداخت آنلاین، که مشتریانی مانند OpenAI، آمازون، گوگل و اپل را در لیست خود دارد، در کنفرانس Stripe Sessions که ماه گذشته برگزار شد، از مدل هوش مصنوعی جدیدی به نام Payments Foundation Model رونمایی کرد. این مدل توسط Stripe به‌عنوان اولین مدل بنیادی جهان برای پرداخت‌ها معرفی شد و هدف آن بهبود تشخیص تقلب و تقویت امنیت در عملیات پرداخت است.

شناسایی تقلب کارت‌های اعتباری با مدل جدید

این مدل توانست یکی از چالش‌های پیچیده در صنعت پرداخت یعنی آزمون کارت‌های اعتباری را بهتر از روش‌های پیشین مدیریت کند. آزمون کارت‌های اعتباری به حالتی اطلاق می‌شود که مهاجمان سایبری سعی دارند اطلاعات سرقت‌شده کارت‌ها را آزمایش کنند تا اعتبار آن‌ها را برای خریدهای غیرقانونی تأیید کنند.

اما این مدل چگونه عمل می‌کند؟

مدل Transformer در خدمت صنعت پرداخت

گاتام کدیا، مدیر بخش یادگیری ماشین کاربردی در Stripe، در پستی در LinkedIn توضیح داد که مدل‌های یادگیری ماشینی استاندارد پیشین در Stripe توانسته بودند میزان تقلب را کاهش دهند. با این حال، این مدل‌ها نیاز به آموزش اختصاصی برای وظایف مختلف مانند تأییدیه پرداخت، تشخیص تقلب، حل اختلافات و موارد مشابه داشتند.

کدیا توضیح داد: «با توجه به قدرت یادگیری معماری‌های عمومی مبتنی بر ترانسفورمر، ما فکر کردیم که آیا یک رویکرد مشابه مدل‌های زبانی بزرگ (LLM) می‌تواند در اینجا کاربرد داشته باشد؟ در نگاه اول واضح نبود که این روش جواب بدهد، چون پرداخت‌ها تنها در برخی جنبه‌ها مشابه زبان هستند.»

Stripe در نتیجه این ایده، یک مدل بنیادی برای پرداخت‌ها توسعه داد؛ مدلی که به صورت خودنظارتی آموزش دیده و داده‌های هر تراکنش را به‌صورت بردارهای متراکم و چندمنظوره مشابه مدل‌های زبانی پردازش می‌کند. این مدل بر پایه ده‌ها میلیارد تراکنش آموزش دیده و سیگنال‌های کلیدی هر پرداخت را در قالب یک بردار واحد خلاصه می‌کند.

کدیا توضیح داد: «این روش منجر به ایجاد یک فضای برداری چندبعدی از پرداخت‌ها می‌شود که موقعیت هر تراکنش در این فضا نشان‌دهنده داده‌های غنی و روابط بین عناصر مختلف است.»

وی افزود: تراکنش‌هایی با ویژگی‌های مشترک به‌طور طبیعی در این فضای برداری گروه‌بندی می‌شوند. برای مثال، تراکنش‌های صادرشده توسط یک بانک خاص نزدیک به یکدیگر قرار می‌گیرند و پرداخت‌هایی که از یک آدرس ایمیل مشابه استفاده می‌کنند تقریباً غیرقابل تفکیک هستند.

این گروه‌بندی‌ها به Stripe امکان داد تا الگوهای ظریف و پیچیده در تراکنش‌های مشکوک را شناسایی کند و مدل‌های طبقه‌بندی دقیق‌تری براساس ویژگی‌های هر پرداخت و ارتباط آن با سایر پرداخت‌ها بسازد.

افزایش چشمگیر دقت تشخیص تقلب

در دو سال گذشته، Stripe توانسته است میزان آزمون کارت‌های اعتباری برای کاربران خود را تا ۸۰ درصد کاهش دهد. اما حملات پیچیده‌تر، که مهاجمان الگوهای جدیدی از حملات را در حجم بالای تراکنش‌های شرکت‌های بزرگ پنهان می‌کنند، همچنان یک چالش جدی باقی مانده بود.

کدیا توضیح داد: «ما یک مدل طبقه‌بندی توسعه دادیم که مجموعه‌ای از بردارها را از مدل بنیادی دریافت کرده و پیش‌بینی می‌کند که آیا حجم تراکنش‌ها تحت حمله قرار دارد یا خیر.» این مدل به صورت لحظه‌ای عمل می‌کند تا حملات پیش از آنکه به کسب‌وکارها آسیب برسانند، متوقف شوند.

نتیجه این رویکرد، افزایش نرخ تشخیص حملات آزمون کارت اعتباری از ۵۹ درصد به ۹۷ درصد تنها در یک شب بود.

کدیا در ادامه اشاره کرد که موفقیت Stripe نشان می‌دهد تراکنش‌های پرداخت ممکن است دارای معنای معنایی باشند. درست مانند کلمات در یک جمله، تراکنش‌ها دارای وابستگی‌های پیچیده و تعاملات پنهانی هستند که با روش‌های مهندسی ویژگی‌های دستی قابل شناسایی نیستند.

بازیابی ۶ میلیارد دلار تراکنش‌های اشتباه ردشده

یکی دیگر از دستاوردهای قابل‌توجه Stripe در سال ۲۰۲۴، استفاده از هوش مصنوعی برای بازیابی تراکنش‌هایی بود که به اشتباه توسط صادرکنندگان کارت‌ها رد شده بودند. این تلاش باعث شد بیش از ۶ میلیارد دلار تراکنش‌های معتبر برای کاربران Stripe بازیابی شود.

محصول Adaptive Acceptance، که از هوش مصنوعی برای شناسایی تراکنش‌های اشتباه ردشده استفاده می‌کند، نقشی کلیدی در این موفقیت ایفا کرده است. Stripe اعلام کرد که این سیستم می‌تواند الگوهای خاصی در داده‌های تراکنش را شناسایی کند که نشان‌دهنده رد اشتباه یک پرداخت معتبر هستند.

پیش‌تر، Stripe از مدل درخت تقویت‌شده گرادیان (XGBoost) استفاده می‌کرد، اما سپس به یک شبکه عصبی عمیق مبتنی بر TabTransformer، موسوم به TabTransformer+، مهاجرت کرد. این سیستم در مدل‌سازی تعاملات پیچیده میان صدها عامل مؤثر بر موفقیت تراکنش‌ها عملکرد بهتری دارد.

با این تغییرات، دقت مدل جدید در شناسایی تراکنش‌های معتبر اشتباه ردشده تا ۷۰ درصد افزایش یافت. این پیشرفت‌ها به Stripe کمک کرد تا درآمد بیشتری برای کاربران خود بازیابی کند و در عین حال تعداد تلاش‌های مجدد برای تراکنش‌ها را تا ۳۵ درصد کاهش دهد.

کاهش ۳۰ درصدی تقلب با ابزار Radar

علاوه بر این، ابزار پیشگیری از تقلب Stripe، موسوم به Radar، با قابلیت‌های جدیدی از جمله احراز هویت خودکار به‌روزرسانی شد. این ابزار اکنون می‌تواند جریان احراز هویت دو مرحله‌ای را برای تراکنش‌ها فعال کند و از حملات تقلب جلوگیری کند. کاربران اولیه این ابزار شاهد کاهش ۳۰ درصدی تقلب در تراکنش‌های واجد شرایط بوده‌اند.

هوش مصنوعی، آینده پردازش پرداخت‌ها

موفقیت Stripe در استفاده از هوش مصنوعی نشان‌دهنده اهمیت روزافزون این فناوری در صنعت پرداخت است. شرکت‌های دیگر مانند Razorpay نیز از هوش مصنوعی برای حل مشکلاتی نظیر تأخیر در پرداخت مشتریان، ساده‌سازی تنظیمات درگاه پرداخت و کاهش مشکلات مرتبط با بازگشت کالا استفاده می‌کنند.

در مجموع، Stripe با استفاده از مدل‌های پیشرفته هوش مصنوعی نه تنها امنیت پرداخت‌ها را افزایش داده، بلکه توانسته است تجربه کاربران خود را به طرز چشمگیری بهبود بخشد. این رویکرد می‌تواند الگویی برای سایر شرکت‌های فعال در این حوزه باشد.