VEJA TAMBÉM: Mastercard enfrenta grandes desafios para o futuro
Muitas vezes, isso acontece porque a transação é incorretamente marcada como fraudulenta – um erro nos algoritmos que determinam se um pagamento é válido.
Mas não é preciso desespero: mais uma vez, a inteligência artificial pode ajudar a solucionar o problema. A Mastercard, por meio de suas plataformas Decision Intelligence e AI Express, utilizou a análise preditiva baseada em machine learning para reduzir a taxa de recusas erradas em 50%.
A FORBES conversou com Ajay Bhalla, presidente da empresa na área de empreendimentos globais, risco e segurança, sobre como essa tecnologia funciona e como pode ajudar a Mastercard a alcançar objetivos estratégicos.
Análise em tempo real significa resultados mais precisos
O executivo diz que o salto na capacidade de detectar fraudes e reduzir falsas recusas surgiu por meio da aquisição da Brighterion, empresa de inteligência artificial com sede na Califórnia.
A tecnologia desenvolvida com a Brighterion permitiu a análise de dados em tempo real. Algoritmos de machine learning podem ser incrivelmente eficientes para lidar com as 75 bilhões de transações por ano que acontecem em 45 milhões de locais ao redor do mundo processadas pela Mastercard.
Hoje, a decisão de recusar ou não uma transação é baseada no fluxo constante de dados e algoritmos de self-learning, em vez de um conjunto de informações de amostra estático e de regras fixas, que mostraram resultados impressionantes.
Bhalla diz que os sistemas de inteligência artificial, por serem self-learning, estão sempre atualizados, o que elimina gaps de aprendizado. “O que o sistema faz é passar por bilhões de transações e descobrir qual é a propensão de ser fraudulenta – quando a transação é autorizada, o banco recebe um feedback”, explica. “Isso nos ajudou a economizar bilhões de dólares em fraudes.”
A informação geográfica é altamente útil porque não só dá uma visão geral dos tipos de transações que são “normais” para uma área particular, mas também revela quais padrões de atividade fraudulenta estão associados a ela. Mais uma vez, todos esses dados são agregados em tempo real, conforme vão acontecendo.
SAIBA MAIS: Como o governo do Reino Unido usa IA no combate à fraude
Isso significa que os padrões de fraude – que muitas vezes são executados em larga escala por gangues organizadas, com alvo em determinados locais e caixas eletrônicos – podem ser detectados, rastreados e interrompidos. “Isso é realmente bom do ponto de vista do consumidor, porque significa aprovação rápida e transações mais genuínas. Por outro lado, para os comerciantes, quanto mais compras aprovadas, mais negócios”, diz Bhalla.
O desafio da inteligência artificial
Um dos principais desafios é garantir uma alta qualidade e consistência da informação, pois erros em registros de transações ou outros armazenamentos de dados podem levar, inevitavelmente, até as máquinas mais inteligentes a tomar decisões erradas.
Bhalla atribui o sucesso da empresa aos mais de 50 anos de experiência na geração e verificação de registros transacionais. “Temos feito isso por muitos, muitos anos, mas esse é sempre o desafio: é preciso ter certeza de que os seus dados são muito bons.” Um segundo ponto é determinar as prioridades quando se trata de tomar decisões sobre onde a empresa deve implantar a infraestrutura de IA – quase sempre muito cara.
LEIA AQUI: Cielo anuncia celulares que servem como leitoras de cartão
Combater a lavagem de dinheiro
Para combater a lavagem de dinheiro, muitos dos princípios de IA envolvidos são similares àqueles usados na redução de falsas recusas.
Os algoritmos de inteligência artificial examinam padrões nos dados da transação e permitem a identificação de grupos de pessoas ou empresas agindo de forma coordenada, de maneira a configurar contas e realizar transações que podem envolver dinheiro sujo.
Outra tecnologia, o processamento de linguagem natural (PLN), também é usado pela Mastercard. Ela usa algoritmos desenhados para interpretar a linguagem humana natural e permitir que os computadores entendam o que os seres humanos dizem. Isso significa que podem extrair insights da fala e da escrita, em vez de apenas dos números e do código tradicionalmente processados.
O PLN pode detectar e determinar conexões entre nomes e grupos e é útil em cenários onde pessoas costumam usar denominações falsas e pseudônimos – ou até alterar sutilmente a grafia do nome – para evitar a identificação.
A visão futura da internet das coisas
Quanto ao futuro, Bhalla diz que é certo que a IA vai se tornar essencial em toda a indústria de serviços financeiros à medida que o número de transações cresce e são realizadas cada vez mais digitalmente – e os criminosos se tornam, por sua vez, mais sofisticados.
Em particular, o crescimento da internet das coisas (IoT) significa que os sistemas de pagamento terão que lidar com um número crescente de transações automatizadas. Como consequência, as rotinas de IA terão que ficar mais fortes e mais rápidas para dar conta da demanda e dos casos de uso complexos.