Владимир Тодуров о применении ИИ для борьбы с мошенничеством в PIN-UP

Стремительное развитие сферы iGaming стало возможным благодаря развитию программного обеспечения, используемого онлайн-играми. Чтобы предоставлять пользователям захватывающие и качественные продукты, отрасль требует глубокого понимания современных технологий, концепций и подходов, таких как High Load, Big Data, High Availability, High Scalability, Realtime и Low Latency. Поэтому разработчики программного обеспечения для iGaming являются двигателем глобального развития индустрии. Именно так можно охарактеризовать команду PIN-UP.TECH.

Сегмент PIN-UP.TECH входит в экосистему PIN-UP Global и состоит IT-компаний, которые специализируются на разработке программного обеспечения для всех её участников. В числе достижений PIN-UP.TECH уникальные технологические решения, позволяющие партнерам сохранять лидирующие позиции и предоставлять игрокам сервис высокого качества. В техническом направлении PIN-UP задействовано более 500 специалистов из разных стран, которые обеспечивают стабильность работы iGaming-платформы, CRM, anti-fraud инструментов, партнерских програм и многих других процессов. Один из лидеров этой команды Владимир Тодуров, Chief Analytics Officer, поделился с SiGMA News комментариями об их уникальным опыте работы. 

Расскажите, пожалуйста, больше о модели ML/AI и как она работает у вас? Если это возможно, приведите пример. 

Модели принятия решений на основе искусственного интеллекта тщательно анализируют множество параметров, связанных с каждой транзакцией, включая такие переменные, как частота ставок, их размер, выбранные события, а также их история. Эти параметры подвергаются анализу в рамках модели, где выявляются те из них, которые обладают наибольшей предсказательной эффективностью, и включаются в процесс прогнозирования.  В нашей работе использовались модели машинного обучения, в первую очередь модель extreme gradient boosting, известная своей эффективностью при работе со структурированными данными. Суть этого подхода заключается в построении ансамбля моделей, которые итеративно улучшают друг друга, тем самым повышая точность прогнозов. На вход модели подается обширная история ставок, и она выдает вероятность в диапазоне 0…1, указывающую на вероятность вовлечения пользователя в мошеннические действия.

Какие преимущества имеет антифрод-модель на базе ИИ по сравнению с классической?

Когда мы сталкиваемся с огромными объемами данных, полезность ML/AI-моделей становится очевидной. Они обладают повышенной способностью обобщать информацию и выявлять закономерности в поведении клиентов, которые не поддаются таким методам, как ручной анализ транзакций или применение линейных правил. ИИ служит дополнительным инструментом для операционной команды, оптимизируя процессы за счет сокращения количества ошибок и времени принятия решений по отдельным случаям, а также открывая новые возможности для изучения нашей клиентуры. В некоторых отношениях ИИ обогащает наш опыт и расширяет наши перспективы, используя несколько иной подход к принятию решений. Многие задачи теперь можно автономно делегировать ИИ. Таким образом, ИИ способствует увеличению объемов бизнеса без пропорционального увеличения команды риск-менеджеров, оптимизируя ежедневные операции за счет отказа от утомительной рутины и предоставляя возможность углубиться в анализ других процессов.

По вашему мнению, как могут развиваться антифрод-инструменты с ИИ и какие проблемы они могут решать в будущем?

В команде мы рассказали о том, как мы видим развитие средств борьбы с мошенничеством с использованием ML и AI, и составили планы по дальнейшему внедрению этих технологий. Наш следующий шаг – создание системы принятия решений с использованием передовых глубоких нейронных сетей и генеративного искусственного интеллекта. Сокращая время принятия решений, мы приближаемся к нашей цели – повысить точность и скорость выявления мошеннического поведения клиентов.  Этот подход, обладающий способностью к обучению и адаптации, глубоко проникает в историю каждого клиента, используя различные сценарии для выявления конкретных групп, включая мошенников.  Эти новые инструменты, отточенные до мелочей, станут настоящей находкой для ежедневной работы команды по борьбе с мошенничеством. Для крупных компаний они – как верный помощник при ретроспективных проверках, гарантирующий, что мы правильно отнесли всех клиентов к “хорошим” или “плохим”, и менеджеры могут не беспокоиться, зная, что не пропустили ни одного нарушителя. А для малого бизнеса они станут отличным решением, поскольку избавят его от необходимости содержать большую команду аналитиков. Позвольте искусственному интеллекту взять на себя решение ручных задач, и эффективность работы отдела по борьбе с мошенничеством резко возрастет.

Какими способами можно дополнительно повысить эффективность антифрод-процессов? Расскажите немного о ваших подходах.  

У каждой команды, с учетом направления бизнеса и количества специалистов, есть свои секреты повышения эффективности и грамотного решения сложных задач. Для нас это, безусловно, автоматизация процедур на основе DDDM-подхода, который позволяет мыслить нестандартно. Мы оцениваем все рабочие процессы в поисках точек оптимизации. Наша цель – найти ручную процедуру, так называемую “обезьянью работу”, и автоматизировать ее.  Проблема может быть решена разными способами: Я приведу несколько примеров из нашей деятельности за последние несколько лет. Раньше аналитикам по борьбе с мошенничеством нужно было экспортировать несколько csv-таблиц и объединить их, чтобы понять, есть ли определенные поведенческие изменения на счету игрока, основанные на финансовой и игровой истории. Мы поняли, что сэкономим как минимум 10-15 минут ручных операций на каждый случай, просто создав новую панель реального времени по умолчанию с необходимыми поворотными таблицами и графиками.  Другой случай – анализ текущих операций. Рассмотрим процесс подтверждения вывода средств. На основе подхода DDDM мы анализируем весомость доказательств по каждой причине, приводящей к ручному подтверждению снятия средств. Некоторые из причин были созданы как реакция на определенные случаи мошенничества, чтобы отслеживать потенциальные случаи возврата средств. Однако расширение бизнеса и появление новых игроков из новых ГЕО привело к снижению эффективности правила. Поэтому мы приняли это правило и повысили производительность команды на 15% с точки зрения объема работы. Главное здесь – проводить постоянный анализ операций рабочего процесса на основе нагрузки и производительности.

Какие процессы стоит наладить бизнесу, чтобы интегрировать модель DDDM? Сколько времени это может занять и как быстро приносит доход такая интеграция?

Главный момент в DDDM – это менталитет. Старшие менеджеры должны отвергать все аргументы, основанные на чувствах, надеждах и “экспертизе”. Я имею в виду, что такой подход должен использоваться только в некоторых исключениях, когда у вас нет данных для расчета решения. Или когда проблема не стоит расчетных усилий. Каждый раз, когда вы хотите внести изменения в свой продукт, спрашивайте команду о цифрах. Очень распространенной ошибкой является так называемое предубеждение выживания. Обращайте внимание на то, что вы делаете выводы, используя сквозной анализ для соответствующего круга лиц. Исходя из практики, менеджеры довольно часто забывают посмотреть на вопрос глобально. Приведу пример из области борьбы с мошенничеством. Менеджер пришел с ретроспективным анализом мошеннической активности, основанным на злоупотреблении приветственными бонусами в течение последних 4 месяцев. У 83% пользователей были одинаковые паттерны для создания триггера скоринга оповещения: первый депозит свыше $13, использование предоплаченной банковской карты, несовпадение IP-адресов (вероятно, прокси или VPN). Выглядит неплохо, да?  Однако я попросил сделать расчеты, будет ли еще хорошая эффективность, если мы экстраполируем этот триггер на всех новых пользователей. Скоринговые модели показали эффективность в 5%. Таким образом, некоторая комбинация признаков может идеально описывать группу пользователей-мошенников и при этом быть общей для большего сегмента хороших пользователей. Кстати, мы добавили некоторые шаблоны игрового стиля к триггерам охотников за приветственными бонусами, чтобы отделить их от хороших игроков и сохранить триггер в производстве. Использование DDDM принесет пользу с первого дня. Вы сможете избежать ошибок и повысить продуктивность. Главная подсказка – попросите команду показать свое число как главный аргумент в пользу принятого бизнес-решения.

Краткая биография Владимира:

Владимир Тодуров имеет восьмилетний опыт работы в игорном бизнесе, занимал должности риск-менеджера, руководителя отдела по борьбе с мошенничеством и аналитики. В настоящее время занимает должность директора по аналитике в компании PIN-UP Global. Он является экспертом в области управления рисками в операциях спортбуков, казино, партнерских программ, маркетинга, платежных систем. Владимир специализируется на принятии решений на основе данных, экономическом моделировании и прогнозировании.

Мы продолжаем общение с экспертами PIN-UP Global, так что следите за обновлениями SiGMA News чтобы узнать больше о современных двигателях сферы iGaming.

Ближайшее мероприятие SiGMA: SiGMA Азия 2024, узнайте подробности по ссылке.