Volodymyr Todurov discute o uso de IA contra fraudes dentro do ecossistema PIN-UP

O rápido desenvolvimento da esfera de iGaming tem sido possível devido ao avanço do software utilizado nos jogos on-line. Para oferecer aos usuários produtos emocionantes e de alta qualidade, a indústria requer um entendimento profundo de tecnologias de ponta, conceitos e abordagens como Alta Carga, Big Data, Alta Disponibilidade, Alta Escalabilidade, Tempo Real e Baixa Latência. Portanto, os desenvolvedores de software de iGaming estão impulsionando o desenvolvimento global da indústria e isso é precisamente o que a PIN-UP.TECH está fazendo.

O segmento PIN-UP.TECH faz parte do ecossistema global da PIN-UP e é composto por empresas de TI especializadas no desenvolvimento de software para todos os seus membros. Entre as conquistas da PIN-UP.TECH estão soluções tecnológicas únicas que permitem aos parceiros manter sua posição de liderança e oferecer aos jogadores um serviço de alta qualidade. Mais de 500 especialistas de diferentes países estão envolvidos na direção técnica da PIN-UP, garantindo a estabilidade das plataformas de iGaming, CRM, ferramentas anti-fraude, sistemas de afiliados e muito mais. Entre os líderes dessa equipe profissional está Volodymyr Todurov, Diretor Chefe de Análise, que compartilhou com a SiGMA News comentários sobre sua experiência única de trabalho.

Você poderia nos contar mais sobre o modelo de ML/AI e como ele funciona para vocês?

Os modelos de decisão baseados em IA examinam meticulosamente numerosos parâmetros associados a cada transação, abrangendo variáveis como a frequência de apostas, seus valores, os eventos selecionados, bem como seu histórico. Esses parâmetros passam por análises dentro do modelo, onde aqueles que apresentam a maior eficácia preditiva são identificados e incorporados ao processo de previsão. Nós empregamos aprendizado de máquina com um foco principal no modelo de impulso de gradiente extremo, renomado por sua eficácia com dados estruturados. A essência deste método reside na construção de um conjunto de modelos que se refinam iterativamente, aumentando assim a precisão das previsões. O modelo é alimentado com um extenso histórico de apostas como entrada e produz uma probabilidade na faixa de 0 a 1, indicando a probabilidade de envolvimento do usuário em atividades fraudulentas.

Quais são as vantagens de um modelo anti-fraude baseado em IA em comparação com um clássico?

Quando nos deparamos com grandes quantidades de dados, a utilidade dos modelos de ML/AI se torna evidente. Eles oferecem uma capacidade elevada de generalizar informações e discernir padrões no comportamento do cliente que escapam de métodos como análise manual de transações ou a aplicação de regras lineares. A IA serve como uma ferramenta adicional para a equipe de operações, otimizando processos ao reduzir as taxas de erro e os tempos de tomada de decisão para casos individuais, ao mesmo tempo em que descobre novas percepções sobre nossa clientela. Em certos aspectos, a IA enriquece nossa experiência e amplia nossas perspectivas ao empregar uma abordagem ligeiramente divergente para a tomada de decisões. Muitas tarefas agora podem ser delegadas à IA com autonomia. Consequentemente, a IA facilita a expansão dos volumes de negócios sem um aumento proporcional na equipe de gerenciamento de riscos, otimizando as operações diárias ao eliminar rotinas tediosas e proporcionando a oportunidade de aprofundar a análise de outros processos.

Na sua opinião, como as ferramentas anti-fraude baseadas em IA podem se desenvolver e quais problemas elas podem resolver no futuro?

Dentro da equipe, delineamos como vemos o desenvolvimento de ferramentas anti-fraude usando ML e IA, e fizemos nossos planos para a implementação adicional dessas tecnologias. Nosso próximo passo envolve a criação de um sistema de tomada de decisões usando redes neurais profundas de ponta e inteligência artificial generativa. Ao reduzir os tempos de decisão, estamos nos aproximando de nosso objetivo de aumentar a precisão e a velocidade na detecção de comportamentos fraudulentos do cliente. Esta abordagem, com sua habilidade de aprender e se adaptar, mergulha fundo no histórico de cada cliente, empregando diversos cenários para identificar grupos específicos, incluindo fraudadores. Essas novas ferramentas, uma vez aperfeiçoadas, são uma verdadeira descoberta para a rotina diária da equipe anti-fraude. Para grandes empresas, elas são como um fiel companheiro para verificações retrospectivas, garantindo que tenhamos rotulado corretamente todos os clientes como “bons” ou “maus”, para que os gerentes possam ficar tranquilos, sabendo que não perderam nenhum encrenqueiro. E para pequenas empresas, elas são um divisor de águas, eliminando a necessidade de uma equipe de analistas robusta desde o início. Deixe a IA assumir o controle das tarefas manuais e veja a eficiência do departamento anti-fraude disparar.

Quais são algumas das maneiras de melhorar ainda mais a eficiência dos processos anti-fraude? Nos conte brevemente sobre suas abordagens.

Cada equipe, levando em consideração a direção do negócio e o número de especialistas, tem seus próprios segredos para aumentar a eficiência e resolver inteligentemente problemas complexos. Para nós, definitivamente é a automação de procedimentos baseada em uma abordagem de DDDM, que nos permite pensar fora da caixa. Avaliamos todos os fluxos de trabalho em busca de pontos de otimização. Nosso objetivo é encontrar o procedimento manual, o chamado “trabalho de macaco”, para automatizá-lo. O problema pode ser resolvido de diferentes maneiras: vou dar alguns exemplos de nossas operações nos últimos anos. Anteriormente, os analistas anti-fraude precisavam exportar algumas tabelas csv para mesclá-las a fim de entender se havia certas mudanças comportamentais nas contas dos jogadores com base no histórico financeiro e de jogos de azar. Percebemos que economizaríamos pelo menos 10-15 minutos de operações manuais por caso apenas criando um novo painel de controle em tempo real com tabelas dinâmicas e gráficos necessários. Outro caso é a revisão das operações atuais. Vamos dar uma olhada no processo de confirmação de saques. Com base em uma abordagem de DDDM, analisamos o peso das evidências em cada motivo que leva à confirmação manual de saques. Alguns dos motivos foram criados como reação a determinados casos de fraude para ficar de olho em possíveis fraudes recorrentes. No entanto, o negócio se expandiu e mais novos jogadores de novos GEOs levaram a uma diminuição do desempenho da regra. Então, adotamos a regra e obtivemos um aumento de 15% na produtividade da equipe em termos de sua carga de trabalho. O ponto principal aqui é executar análises contínuas sobre as operações de fluxo de trabalho com base em medições de carga e produtividade para encontrar as otimizações combinando gerenciamento e automação.

Quais processos um negócio precisa estabelecer para integrar o modelo DDDM, quanto tempo pode levar e quão rápido ele gera receita?

O ponto principal em relação ao DDDM é a mentalidade. Os gerentes sêniores devem negar todos os argumentos baseados em sentimentos, esperanças e “experiência”. Quero dizer, esse tipo de abordagem deve ser usado apenas para algumas exceções quando você não tem dados para calcular sua decisão. Ou quando o problema não vale a pena calcular esforços. Sempre que você quiser fazer mudanças em seu produto, pergunte à equipe sobre os números. O erro muito comum é o chamado viés de sobrevivência. Atente-se às conclusões que você faz ao usar análises abrangentes para o escopo pertinente das entidades envolvidas. Com base na prática, os gerentes muitas vezes esquecem de fazer uma visão geral sobre o problema. Vou dar um exemplo dentro das operações anti-fraude. Um gerente veio com uma análise retrospectiva da atividade de fraude com base no abuso de bônus de boas-vindas nos últimos 4 meses. 83% dos usuários tinham os mesmos padrões para criar um gatilho de pontuação de alerta: primeiro depósito acima de US$ 13, uso de cartão bancário pré-pago, análise de IP inconsistente (provavelmente proxies ou VPN). Parece bom, não é? No entanto, pedi para fazer cálculos se ainda há uma boa eficiência se extrapolarmos esse gatilho para todos os novos usuários. Os modelos de pontuação mostraram 5% de eficiência. Portanto, algumas combinações de atributos poderiam descrever perfeitamente um grupo de usuários fraudulentos e ainda serem comuns para um segmento maior de bons usuários. A propósito, adicionamos alguns padrões de estilo de jogo a esses gatilhos de caçadores de bônus de boas-vindas para segregá-los de bons jogadores e manter o gatilho em produção. Usar DDDM trará valor desde o primeiro dia. Você evitará erros e aumentará a produtividade. O ponto principal é pedir à equipe para mostrar seus números como o principal argumento na decisão empresarial tomada.

Breve biografia de Volodymyr:

Volodymyr Todurov tem oito anos de experiência em jogos de azar, tendo ocupado os cargos de gerente de risco e chefe de antifraude e análise. Atualmente, ocupa o cargo de diretor de análise na PIN-UP Global. Ele é um especialista em operações de gestão de risco de apostas esportivas, cassino, programas de afiliados, marketing, sistemas de pagamento. Volodymyr especializa-se em abordagem de tomada de decisão baseada em dados, modelagem econômica e previsão.

Continuaremos nossas conversas com os especialistas da PIN-UP Global, então fique ligado na SiGMA News para mais informações sobre os atuais motores da esfera de iGaming.

Próximo evento da SiGMA: SiGMA Ásia, 2 – 5 de junho. Saiba mais detalhes clicando aqui.