Pagamentos seguros em Open Banking : Como Trustly usa o aprendizado de máquina para evitar fraudes

Você já se perguntou como Trustly é líder em Pay by Bank? Hoje, estamos puxando 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 controle do Trustly Blog para revelar os segredos por trás de nosso sucesso.

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

É por isso que Trustly incorpora "grades 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 diante de falhas inesperadas.

Por que as estratégias de fallback são essenciais para a segurança dos pagamentos Open Banking

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

As estratégias de fallback garantem que as operações continuem sem problemas, mesmo durante interrupções no 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 dependência de dados Open Banking também amplia o desafio. Muitos sistemas modernos de ML dependem desses dados para uma avaliação precisa dos riscos. No entanto, a dependência de 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 Open Banking sofrer uma interrupção.

Para mitigar esse risco, são essenciais estratégias robustas de fallback. Essas estratégias garantem que as avaliações de risco permaneçam confiáveis e eficazes, mesmo quando confrontadas com interrupções de dados ou falhas de sistema. Isso ajuda a evitar que os fraudadores explorem as possíveis vulnerabilidades e protege as instituições financeiras de perdas significativas.

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

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

Fallback de interrupção do provedor de dados: Manutenção da precisão 

Trustly mantém uma versão de modelo dedicada, projetada explicitamente como um fallback para cada grupo de fonte de dados críticos em caso de falha do provedor de dados. Essa abordagem garante que o sistema sempre use a melhor versão de 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 riscos em tempo real

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

Quando o modelo principal de ML não está disponível ou está sofrendo atrasos, o sistema tenta automaticamente repetir a operação. Essa política de repetição considera vários fatores, inclusive as informações da transação, 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 para garantir que as interrupções temporárias não comprometam a precisão da avaliação de risco. Essa abordagem usa o modelo principal de ML sempre que possível, maximizando sua eficácia e minimizando a dependência de modelos alternativos.

Modelo de fallback do lado do cliente: Garantia de 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 fallbacks. Por exemplo, se os serviços de modelo não estiverem disponíveis devido a interrupções na infraestrutura, temos um fallback do lado do cliente incorporado no aplicativo de software principal. Portanto, esse fallback do lado do cliente estará sempre disponível porque faz parte do próprio aplicativo de software principal.

Esse modelo utiliza menos fontes de dados, reduzindo a memória necessária para a execução - garantindo que o modelo possa operar com eficácia mesmo em condições extremas, como interrupções generalizadas do sistema ou limitações graves de dados.

Pesquisa pioneira da Trustly sobre segurança de aprendizado de máquina

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

Nossa pesquisa mais recente detalha a arquitetura de fallback hierárquico da Trustly e como ela garante a resiliência e a confiabilidade de nosso sistema de avaliação de risco com base em ML, mesmo diante de interrupções inesperadas ou limitações de dados.

Trustly oferece aos nossos clientes uma experiência segura e confiável de pagamento com oOpen 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. 

‍