Sécurisé Open Banking Paiements : Comment Trustly utilise l’apprentissage automatique pour prévenir la fraude

Vous êtes-vous déjà demandé comment Trustly ouvre la voie dans Pay by Bank ? Aujourd’hui, nous tirons le rideau et vous donnons un aperçu exclusif de la technologie qui rend tout cela possible. Notre ingénieur en apprentissage automatique (ML), Gustavo Polleti, reprend le Trustly Blog pour révéler les secrets de notre succès.

Notre système exclusif de prévention de la fraude tire parti des données de plus de 99 % des institutions financières nord-américaines, fournissant des informations inégalées sur les modèles de transactions et les facteurs de risque. Cependant, le paysage de la rémunération par banque présente des défis uniques. Les connexions avec des banques tierces peuvent être imprévisibles et l’accès aux données en temps réel n’est pas toujours garanti.

Voilà pourquoi Trustly intègre des « garde-fous de sécurité intelligents » pour assurer sa sécurité. Nos modèles de ML sont conçus pour gérer avec élégance les perturbations potentielles, telles que les connexions retardées ou les informations obsolètes. Nous utilisons également des stratégies de repli fiables pour maintenir la sécurité même en cas de défaillances inattendues.

Pourquoi les stratégies de repli sont essentielles pour sécuriser Open Banking Paiements

Le RPC est essentiel à l’atténuation des risques en temps réel pour les institutions financières. Mais que se passe-t-il lorsque ces systèmes ML rencontrent des défaillances inattendues ou des perturbations de données ? C’est là que les stratégies de repli deviennent essentielles.

Les stratégies de secours garantissent que les opérations se poursuivent de manière transparente, même pendant les pannes de système ou les retards de données. Tenez compte des conséquences potentielles d’une défaillance du système de RPC : une transaction frauduleuse pourrait être approuvée ou un prêt risqué pourrait être accordé. Ces erreurs peuvent nuire gravement à une institution financière, tant sur le plan financier que sur le plan de sa réputation.

Dépendance à l’égard de l' Open Banking les données amplifient également le défi. De nombreux systèmes modernes de RPC dépendent de ces données pour une évaluation précise des risques. Toutefois, le fait de s’appuyer sur des sources de données externes introduit des vulnérabilités potentielles. Par exemple, le processus d’évaluation des risques pourrait être compromis si une institution financière fournissait : Open Banking les données sont en panne.

Pour atténuer ce risque, de solides stratégies de repli sont essentielles. Ces stratégies garantissent que les évaluations des risques demeurent fiables et efficaces, même lorsqu’elles sont confrontées à des perturbations des données ou à des défaillances du système. Cela permet d’empêcher les fraudeurs d’exploiter les vulnérabilités potentielles et protège les institutions financières contre les pertes importantes.

Trustly's Hierarchical Fallback Architecture : A multi-layered approach to security

Trustly utilise une architecture de secours sophistiquée et multicouche pour assurer la résilience et la fiabilité de notre système d’évaluation des risques alimenté par ML. Cette architecture, illustrée à la figure 1, comprend un modèle principal et des étapes de secours supplémentaires pour gérer divers scénarios de défaillance.

Retrait de la panne du fournisseur de données : maintien de la précision 

Trustly gère une version de modèle dédiée conçue explicitement comme une version de secours pour chaque groupe de sources de données critique en cas de défaillance du fournisseur de données. Cette approche garantit que le système utilise toujours la meilleure version de modèle disponible pour effectuer des évaluations des risques, minimisant ainsi l’impact des perturbations des données.

La première couche de défense traite des situations où des données d’entrée sont manquantes en raison d’une panne de fournisseur de données. Dans ces cas, le système passe automatiquement à un modèle ML similaire entraîné sans les données potentiellement absentes. Cela permet de s’assurer que les évaluations des risques demeurent exactes et efficaces, même si l’information est incomplète.

‍

Politiques de redondance et de nouvelles tentatives : améliorer la résilience dans l’évaluation des risques en temps réel

La deuxième couche de Trustlyse concentre sur l’optimisation de la redondance et les politiques de nouvelle tentative. Cette approche améliore la résilience du système en atténuant les problèmes causés par l’indisponibilité momentanée du service ou les pics de latence, qui sont des défis courants dans les environnements de données en temps réel.

Lorsque le modèle ML principal n’est pas disponible ou subit des retards, le système tente automatiquement de réessayer l’opération. Cette politique de nouvelle tentative tient compte de divers facteurs, y compris les informations sur les transactions, la probabilité de défaillances ultérieures et le temps supplémentaire requis pour l’analyse des risques.

Trustlygère intelligemment les tentatives pour s’assurer que les perturbations temporaires ne compromettent pas l’exactitude de l’évaluation des risques. Cette approche utilise le modèle ml primaire dans la mesure du possible, maximisant son efficacité et minimisant la dépendance aux modèles de secours.

Modèle de secours côté client : assurer la fonctionnalité même dans les pires scénarios

La dernière couche de Trustlyest le modèle de secours côté client. Ce modèle agit comme une dernière ligne de défense, garantissant que les évaluations des risques peuvent toujours être effectuées même lorsque tous les autres systèmes ne sont pas disponibles.

Trustlypossède une application logicielle principale qui orchestre les appels à chaque service de modèle indépendant, au modèle principal et à ses repli. Par exemple, si les services de modèle ne sont pas disponibles en raison de pannes d’infrastructure, nous avons un retour côté client intégré dans l’application logicielle principale. Ainsi, cette version de secours côté client sera toujours disponible car elle fait partie de l’application logicielle principale elle-même.

Ce modèle utilise moins de sources de données, ce qui réduit la mémoire requise pour l’exécution, garantissant ainsi que le modèle peut fonctionner efficacement même dans des conditions extrêmes, telles que des pannes de système généralisées ou des limitations de données sévères.

Trustlysur la sécurité de l’apprentissage automatique

Trustly est un pionnier dans le développement de systèmes d’apprentissage automatique sûrs et fiables pour Open Banking Paiements. Notre approche innovante établit une référence de l’industrie en matière de sécurité et favorise la recherche et l’avancement dans le domaine. Nous nous engageons à partager nos connaissances et notre expertise avec l’ensemble de la communauté. 

Nos derniers détails de rechercheTrustlyet la façon dont elle assure la résilience et la fiabilité de notre système d’évaluation des risques alimenté par ML, même en cas de perturbations inattendues ou de limitations de données.

Trustly fournit à nos clients un sécurisé et fiable Open Banking Expérience de paiement. Nous y parvenons en combinant une base de connaissances complète avec des modèles avancés de ML pour lutter contre la fraude et la criminalité financière. Pour en savoir plus, connectez-vous avec notre équipe ici. 

‍