Como o Machine Learning Mantém o Seu Dinheiro Seguro Saiba

Como o Machine Learning Mantém o Seu Dinheiro Seguro Saiba

Como o Machine Learning Mantém o Seu Dinheiro Seguro Saiba

Índice
Qual é a primeira coisa em que pensas quando pensas num banco? Dinheiro, cartões… assaltantes de bancos!? Se pensaste na última, pensa melhor.
Brincadeiras à parte, quando falamos de banca, a segurança é extremamente importante. Embora a transição para o dinheiro digital e para a banca móvel tenha tornado alguns tipos de crime obsoletos, a prevenção de fraude é muitas vezes um jogo do gato e do rato. Ao usar as tecnologias mais recentes, simplificamos a tua experiência bancária, para que possas focar-te no que realmente interessa. Seja passar tempo com a tua família, viajar sem preocupações ou fazer crescer o teu negócio, estamos sempre à procura da próxima grande novidade que te dê ainda mais liberdade.
Quando começámos em 2015, tínhamos como objetivo desafiar o status quo do que um banco deve ser. Isso levou a algumas inovações iniciais, como códigos CVC na app (adeus card skimming) e ausência de balcões físicos (olá velocidade e conveniência!). Hoje, estamos a explorar um benefício da banca móvel de que se fala menos: deteção e prevenção de fraude.
O desafio é analisar milhões de transações em tempo real à procura de atividades ilegais e impedir fraude. Parece simples, certo? Ah, e garantir também que nada disto afeta a excelente experiência de utilização a que já estás habituado.
Imagina um cenário em que uma conta começa a receber pagamentos irregulares de várias Contas Bancárias desconhecidas e, de repente, todo o dinheiro é levantado. Achas que isto é:
a) Um caso de branqueamento de capitais?
b) Amigos a pagar-te a pizza que lhes ofereceste?
c) Ir em modo Marie Kondo e vender os teus discos de vinil no eBay?
Boa pergunta! Para responder a isto, e para garantirmos que somos duros com criminosos e leves contigo, usamos machine learning supervisionado e não supervisionado.
Se falares com a nossa equipa de compliance, vais ouvir termos como Nigerian Prince, smurfing ou money-muling, o que mostra que muitos tipos de fraude bancária são, na verdade, bem conhecidos. Para detetar estes padrões usamos machine learning supervisionado. Este é um algoritmo que analisa mais de 500 pontos de dados por transação e cria centenas de árvores de decisão concorrentes para decidir se uma transação é suspeita ou não. O algoritmo aprende com base em anos de dados de transações rotuladas e foi desenhado para te manter em segurança em todos os momentos!
Isto funciona muito bem para identificar padrões já existentes, mas e quanto a tipos de fraude completamente novos? Diz olá ao… learning não supervisionado!
Ao passar todas as transações não suspeitas por um modelo de deep learning com auto-encoder, conseguimos encontrar padrões altamente complexos e invulgares que podem estar ligados a esquemas de fraude até então desconhecidos. Se forem confirmados, esses dados são rotulados e usados como input pelos modelos supervisionados — mais um esquema que vai pelo cano abaixo!
Se tudo isto te soa complicado, podes perguntar: não há uma forma mais simples?
Sim, há! E chama-se regras. Até há pouco tempo, a maioria dos bancos tradicionais não usava machine learning para identificar padrões de fraude. E mesmo em 2020, dependiam sobretudo de modelos simples baseados em regras, o que significa definir padrões suspeitos e depois verificar manualmente sempre que acontecem.
Estas regras normalmente não são tão eficazes como o machine learning. No entanto, em certos casos podem ser muito poderosas, por isso usamos regras de duas formas: quando um padrão é sempre fraudulento, e quando os nossos modelos supervisionados ainda estão a aprender a detetar o novo padrão usando os dados gerados pela regra.
Eis porque é que a nossa abordagem híbrida te mantém mais seguro:
1. Não discriminamos com base na nacionalidade ou aparência
Claro que ninguém o faz de propósito — mas, ao focarmo-nos em padrões de comportamento em vez de estereótipos e preconceitos, o nosso modelo é mais justo do que agentes de compliance humanos.
2. Podemos adaptar a experiência de utilização para ser fácil para ti e péssima para os burlões
O machine learning permite uma deteção muito mais rápida de comportamentos fraudulentos do que modelos baseados em regras e é bastante mais preciso.
3. Ao estarmos sempre um passo à frente dos criminosos, temos mais tempo para nos focarmos no que realmente interessa: construir o melhor banco para ti
E pronto! Esta é uma das formas como mantemos o teu dinheiro seguro todos os dias, mas claro que há muito mais a acontecer por baixo do capô.
Se tiveres interesse em saber mais sobre como prevenimos fraude e te mantemos em segurança, diz-nos aqui!
Espalha amor, não fraude!
Índice
Qual é a primeira coisa em que pensas quando pensas num banco? Dinheiro, cartões… assaltantes de bancos!? Se pensaste na última, pensa melhor.
Brincadeiras à parte, quando falamos de banca, a segurança é extremamente importante. Embora a transição para o dinheiro digital e para a banca móvel tenha tornado alguns tipos de crime obsoletos, a prevenção de fraude é muitas vezes um jogo do gato e do rato. Ao usar as tecnologias mais recentes, simplificamos a tua experiência bancária, para que possas focar-te no que realmente interessa. Seja passar tempo com a tua família, viajar sem preocupações ou fazer crescer o teu negócio, estamos sempre à procura da próxima grande novidade que te dê ainda mais liberdade.
Quando começámos em 2015, tínhamos como objetivo desafiar o status quo do que um banco deve ser. Isso levou a algumas inovações iniciais, como códigos CVC na app (adeus card skimming) e ausência de balcões físicos (olá velocidade e conveniência!). Hoje, estamos a explorar um benefício da banca móvel de que se fala menos: deteção e prevenção de fraude.
O desafio é analisar milhões de transações em tempo real à procura de atividades ilegais e impedir fraude. Parece simples, certo? Ah, e garantir também que nada disto afeta a excelente experiência de utilização a que já estás habituado.
Imagina um cenário em que uma conta começa a receber pagamentos irregulares de várias Contas Bancárias desconhecidas e, de repente, todo o dinheiro é levantado. Achas que isto é:
a) Um caso de branqueamento de capitais?
b) Amigos a pagar-te a pizza que lhes ofereceste?
c) Ir em modo Marie Kondo e vender os teus discos de vinil no eBay?
Boa pergunta! Para responder a isto, e para garantirmos que somos duros com criminosos e leves contigo, usamos machine learning supervisionado e não supervisionado.
Se falares com a nossa equipa de compliance, vais ouvir termos como Nigerian Prince, smurfing ou money-muling, o que mostra que muitos tipos de fraude bancária são, na verdade, bem conhecidos. Para detetar estes padrões usamos machine learning supervisionado. Este é um algoritmo que analisa mais de 500 pontos de dados por transação e cria centenas de árvores de decisão concorrentes para decidir se uma transação é suspeita ou não. O algoritmo aprende com base em anos de dados de transações rotuladas e foi desenhado para te manter em segurança em todos os momentos!
Isto funciona muito bem para identificar padrões já existentes, mas e quanto a tipos de fraude completamente novos? Diz olá ao… learning não supervisionado!
Ao passar todas as transações não suspeitas por um modelo de deep learning com auto-encoder, conseguimos encontrar padrões altamente complexos e invulgares que podem estar ligados a esquemas de fraude até então desconhecidos. Se forem confirmados, esses dados são rotulados e usados como input pelos modelos supervisionados — mais um esquema que vai pelo cano abaixo!
Se tudo isto te soa complicado, podes perguntar: não há uma forma mais simples?
Sim, há! E chama-se regras. Até há pouco tempo, a maioria dos bancos tradicionais não usava machine learning para identificar padrões de fraude. E mesmo em 2020, dependiam sobretudo de modelos simples baseados em regras, o que significa definir padrões suspeitos e depois verificar manualmente sempre que acontecem.
Estas regras normalmente não são tão eficazes como o machine learning. No entanto, em certos casos podem ser muito poderosas, por isso usamos regras de duas formas: quando um padrão é sempre fraudulento, e quando os nossos modelos supervisionados ainda estão a aprender a detetar o novo padrão usando os dados gerados pela regra.
Eis porque é que a nossa abordagem híbrida te mantém mais seguro:
1. Não discriminamos com base na nacionalidade ou aparência
Claro que ninguém o faz de propósito — mas, ao focarmo-nos em padrões de comportamento em vez de estereótipos e preconceitos, o nosso modelo é mais justo do que agentes de compliance humanos.
2. Podemos adaptar a experiência de utilização para ser fácil para ti e péssima para os burlões
O machine learning permite uma deteção muito mais rápida de comportamentos fraudulentos do que modelos baseados em regras e é bastante mais preciso.
3. Ao estarmos sempre um passo à frente dos criminosos, temos mais tempo para nos focarmos no que realmente interessa: construir o melhor banco para ti
E pronto! Esta é uma das formas como mantemos o teu dinheiro seguro todos os dias, mas claro que há muito mais a acontecer por baixo do capô.
Se tiveres interesse em saber mais sobre como prevenimos fraude e te mantemos em segurança, diz-nos aqui!
Espalha amor, não fraude!
Índice
Qual é a primeira coisa em que pensas quando pensas num banco? Dinheiro, cartões… assaltantes de bancos!? Se pensaste na última, pensa melhor.
Brincadeiras à parte, quando falamos de banca, a segurança é extremamente importante. Embora a transição para o dinheiro digital e para a banca móvel tenha tornado alguns tipos de crime obsoletos, a prevenção de fraude é muitas vezes um jogo do gato e do rato. Ao usar as tecnologias mais recentes, simplificamos a tua experiência bancária, para que possas focar-te no que realmente interessa. Seja passar tempo com a tua família, viajar sem preocupações ou fazer crescer o teu negócio, estamos sempre à procura da próxima grande novidade que te dê ainda mais liberdade.
Quando começámos em 2015, tínhamos como objetivo desafiar o status quo do que um banco deve ser. Isso levou a algumas inovações iniciais, como códigos CVC na app (adeus card skimming) e ausência de balcões físicos (olá velocidade e conveniência!). Hoje, estamos a explorar um benefício da banca móvel de que se fala menos: deteção e prevenção de fraude.
O desafio é analisar milhões de transações em tempo real à procura de atividades ilegais e impedir fraude. Parece simples, certo? Ah, e garantir também que nada disto afeta a excelente experiência de utilização a que já estás habituado.
Imagina um cenário em que uma conta começa a receber pagamentos irregulares de várias Contas Bancárias desconhecidas e, de repente, todo o dinheiro é levantado. Achas que isto é:
a) Um caso de branqueamento de capitais?
b) Amigos a pagar-te a pizza que lhes ofereceste?
c) Ir em modo Marie Kondo e vender os teus discos de vinil no eBay?
Boa pergunta! Para responder a isto, e para garantirmos que somos duros com criminosos e leves contigo, usamos machine learning supervisionado e não supervisionado.
Se falares com a nossa equipa de compliance, vais ouvir termos como Nigerian Prince, smurfing ou money-muling, o que mostra que muitos tipos de fraude bancária são, na verdade, bem conhecidos. Para detetar estes padrões usamos machine learning supervisionado. Este é um algoritmo que analisa mais de 500 pontos de dados por transação e cria centenas de árvores de decisão concorrentes para decidir se uma transação é suspeita ou não. O algoritmo aprende com base em anos de dados de transações rotuladas e foi desenhado para te manter em segurança em todos os momentos!
Isto funciona muito bem para identificar padrões já existentes, mas e quanto a tipos de fraude completamente novos? Diz olá ao… learning não supervisionado!
Ao passar todas as transações não suspeitas por um modelo de deep learning com auto-encoder, conseguimos encontrar padrões altamente complexos e invulgares que podem estar ligados a esquemas de fraude até então desconhecidos. Se forem confirmados, esses dados são rotulados e usados como input pelos modelos supervisionados — mais um esquema que vai pelo cano abaixo!
Se tudo isto te soa complicado, podes perguntar: não há uma forma mais simples?
Sim, há! E chama-se regras. Até há pouco tempo, a maioria dos bancos tradicionais não usava machine learning para identificar padrões de fraude. E mesmo em 2020, dependiam sobretudo de modelos simples baseados em regras, o que significa definir padrões suspeitos e depois verificar manualmente sempre que acontecem.
Estas regras normalmente não são tão eficazes como o machine learning. No entanto, em certos casos podem ser muito poderosas, por isso usamos regras de duas formas: quando um padrão é sempre fraudulento, e quando os nossos modelos supervisionados ainda estão a aprender a detetar o novo padrão usando os dados gerados pela regra.
Eis porque é que a nossa abordagem híbrida te mantém mais seguro:
1. Não discriminamos com base na nacionalidade ou aparência
Claro que ninguém o faz de propósito — mas, ao focarmo-nos em padrões de comportamento em vez de estereótipos e preconceitos, o nosso modelo é mais justo do que agentes de compliance humanos.
2. Podemos adaptar a experiência de utilização para ser fácil para ti e péssima para os burlões
O machine learning permite uma deteção muito mais rápida de comportamentos fraudulentos do que modelos baseados em regras e é bastante mais preciso.
3. Ao estarmos sempre um passo à frente dos criminosos, temos mais tempo para nos focarmos no que realmente interessa: construir o melhor banco para ti
E pronto! Esta é uma das formas como mantemos o teu dinheiro seguro todos os dias, mas claro que há muito mais a acontecer por baixo do capô.
Se tiveres interesse em saber mais sobre como prevenimos fraude e te mantemos em segurança, diz-nos aqui!
Espalha amor, não fraude!
Leitura relacionada
Explora mais dicas e histórias do bunq.

Moving to France from the US: Visas, Money, and Expat Banking
Moving to France from the US? Learn about visas, budgeting, healthcare, taxes, driving rules, and expat banking in France with bunq.

Banca online segura: dicas práticas
Dicas para manter a tua conta bancária segura online, desde configurar 2FA a identificar phishing, controlar os teus cartões e saber o que a bunq trata automaticamente.
Leitura relacionada
Explora mais dicas e histórias do bunq.

Fake bank calls and vishing: how to spot them and what to do
Someone calls claiming to be from your bank. They know your name and say your money is at risk. Here's what's actually happening, and what to do.

Moving to France from the US: Visas, Money, and Expat Banking
Moving to France from the US? Learn about visas, budgeting, healthcare, taxes, driving rules, and expat banking in France with bunq.

Banca online segura: dicas práticas
Dicas para manter a tua conta bancária segura online, desde configurar 2FA a identificar phishing, controlar os teus cartões e saber o que a bunq trata automaticamente.
Leitura relacionada
Explora mais dicas e histórias do bunq.

Fake bank calls and vishing: how to spot them and what to do
Someone calls claiming to be from your bank. They know your name and say your money is at risk. Here's what's actually happening, and what to do.

Moving to France from the US: Visas, Money, and Expat Banking
Moving to France from the US? Learn about visas, budgeting, healthcare, taxes, driving rules, and expat banking in France with bunq.

Banca online segura: dicas práticas
Dicas para manter a tua conta bancária segura online, desde configurar 2FA a identificar phishing, controlar os teus cartões e saber o que a bunq trata automaticamente.
Pronto para uma banca mais simples?
como o machine learning da bunq aumenta a segurança e protege o seu dinheiro digital contra fraudes.
Pronto para uma banca mais simples?
como o machine learning da bunq aumenta a segurança e protege o seu dinheiro digital contra fraudes.
Pronto para uma banca mais simples?
como o machine learning da bunq aumenta a segurança e protege o seu dinheiro digital contra fraudes.