* Por Michael Lopez

A Inteligência artificial vem ganhando cada vez mais espaço no setor tecnológico, sendo o machine learning a aplicação com maior destaque, pois está moldando o mundo cibernético e a maneira como os usuários interagem com as empresas. Capaz de aumentar a produtividade e eficiência operacional, essa tecnologia tem provocado impactos na indústria antifraude e reforçado as soluções de segurança atuais.

O machine learning se apresenta como uma aplicação que possibilita a sistemas realizarem tarefas que só pessoas seriam capazes. No entanto, sempre haverá alguém que achará uma forma de usá-lo com intenções maliciosas. Ao ficar por dentro dos últimos desenvolvimentos em aprendizado de máquina, as instituições poderão ter um melhor entendimento do futuro da fraude.

Com o poder de impulsionar a inteligência artificial, ao permitir a automatização total de operações, uma série de medidas preventivas são necessárias e diversas ferramentas têm sido utilizadas como maneiras de cautela, que futuramente trarão um impacto ainda maior para a segurança digital em geral. Consideramos como mais evidentes os seguintes recursos:

  • Aprendizado de máquina adversário:Prática que deverá se tornar cada vez mais predominante no futuro, nesta técnica, os algoritmos são alimentados com dados maliciosos para induzir a erros de análise. Por meio dela, os cibercriminosos enganam os algoritmos de reconhecimento facial usados para identificar usuários em procedimentos de autenticação biométrica.

O rosto do fraudador é, então, classificado erroneamente, permitindo que ele assuma a identidade do usuário e invada sua conta. Atores maliciosos também podem usar machine learning para alterar o endereço de sites bancários. Muitas vezes, as URLs dessas plataformas são longas, e a maioria dos usuários não verifica a barra de endereços ao acessar um site usado com frequência.

  • Machine learning para preservação da privacidade: A autenticação por meio do reconhecimento facial é considerada uma forma segura de fazer login em contas sensíveis. No entanto, dados valiosos para os fraudadores, como gravações e imagens dos rostos dos usuários, são normalmente armazenados sem criptografia na nuvem e são vulneráveis a hackers e vazamentos de dados.

É aí que o aprendizado de máquina pode entrar e oferecer uma segurança extra – mas só até certo ponto. Algoritmos futuros poderão trabalhar com dados anonimizados ou criptografados, fornecendo uma forte proteção da privacidade e mantendo soluções de machine learning de alto desempenho

  • Aprendizado de máquina fim a fim: Permite que desenvolvedores e cientistas de dados se conectem e trabalhem juntos com eficiência nas etapas de preparação de dados, seleção de algoritmos, desenvolvimento de modelos, ajuste e otimização da implementação e, finalmente, lançamento. Isso agiliza a implementação de novos algoritmos, o que, em segurança, se traduz em respostas mais rápidas e precisas a novos ataques de phishing, malware e outros.

Os procedimentos e o tempo de desenvolvimento dos algoritmos podem, por exemplo, ser reduzidos de meses para dias, permitindo que as instituições respondam com mais rapidez a novos ataques e proporcionando uma otimização geral das análises e medidas de mitigação.

  • Aprendizado ativo: Em fase de desenvolvimento pela indústria antifraude, os algoritmos de aprendizado ativo usam machine learning para rotular automaticamente os dados durante o treinamento, deixando apenas uma pequena parte do trabalho para o anotador humano.

Isso economiza tempo e recursos valiosos das equipes, que muitas vezes trabalham com volumes massivos de dados. Por enquanto, os algoritmos de aprendizado ativo têm sido usados, principalmente, para fins acadêmicos e de pesquisa.

  • Aprendizado com dados escassos: O setor de segurança necessita que os algoritmos aprendam de um volume limitado de dados. Sem informações suficientes, as ferramentas de machine learningoo capazes de reconhecer, com precisão, novos padrões, o que pode levar a  uma rotulagem incorreta e a erros de classificação.

Como uma forma de auxílio, o Few-shot learning é uma maneira de adaptar certos algoritmos, como as Redes Neurais, para melhorar seu desempenho na classificação de populações para as quais os dados são escassos. Atualmente limitado a aplicações de pesquisa, os algoritmos usados na indústria antifraude poderão ser treinados com pequenas quantidades de dados.

* Por Michael Lopez, VP e gerente-geral de Total Fraud Protection da Cyxtera