Auch der Zahlungsverkehranbieter Mastercard setzt auf maschinelles Lernen. Das Unternehmen bietet den Autorisierungs- und Betrugserkennungsservice Decision Intelligence an, ein Tool, welches Kartenherausgeber mithilfe künstlicher Intelligenz dabei unterstützen soll, die Genehmigung von Transaktionen zu optimieren und damit überflüssige Ablehnungen von Transaktionen, die zu Unmut bei Kreditkarteninhabern führen, zu reduzieren. Dabei handle es sich um die erstmalige Nutzung künstlicher Intelligenz direkt über das globale Netzwerk von Mastercard. Bisherige Produkte zur Autorisierungsentscheidung fokussierten sich primär auf die Risikobewertung und arbeiteten mit vorprogrammierten Regeln. Decision Intelligence reiche deutlich weiter. Der neue Service prüfe und werte umfassender aus und lerne so mit jeder Transaktion. Dies ermögliche dem Kartenherausgeber, das Gelernte auf nachfolgende Mustererkennung und Deep Learning helfen dabei, immer komplexere Probleme zu lösen. 2017 IT- & TELEKOMMUNIKATIONS-GUIDE 67 Transaktionen anzuwenden. „Durch die Nutzung künstlicher Intelligenz helfen wir Kartenherausgebern und Händlern, die Autorisierungsentscheidungen, und damit auch das Einkaufserlebnis der Konsumenten, zu verbessern. Damit verhindern wir das ärgerliche Erlebnis, wenn Kunden fälschlicherweise ein Einkauf verweigert wird“, erklärt Ajay Bhalla, President of Enterprise Risk and Security bei Mastercard. Alarm auslösen Decision Intelligence nutze hoch entwickelte Algorithmen, um Kartenherausgebern eine vo rausschauende Bewertung zur Verfügung zu stellen, die auf vielschichtigen Analysen beruhe. Anschließend würden die so generierten Informationen in die bestehenden Betrugsvorbeugungsmaßnahmen eingespeist. Integriert in das gesamte Mastercard-Betrugspräventionstool würden dann datenbasierte Echtzeitentscheidungen getroffen. Dazu könnten beispielsweise Schwellenwerte definiert werden, die einen Alarm auslösen. Die Technologie hinter Decision Intelligence untersuche, wie die jeweilige Mastercard über die Zeit genutzt wird, um normales und abnormales Einkaufsverhalten zu unterscheiden. Dafür nutze sie Informationen wie Risk-Profiling, Standorte, Händler, Endgerätedaten, Tageszeiten und die Art des Einkaufs. Während der vergangenen Jahre habe sich, betont Bhalla, die Industrie immer stärker auf den Schutz von Zahlungsvorgängen und auf die Bekämpfung von betrügerischen
IT Guide 2017
To see the actual publication please follow the link above