- Conferè¯ncias
- Not¨ªcias
- Funda??o SiGMA
- Treinamento & Consultoria
- Tour de P?quer
- SiGMA 바카ë¼
- Sobre
Volodymyr Todurov discute o uso de IA contra fraudes dentro do ecossistema PIN-UP
Tags:
O r¨¢pido desenvolvimento da esfera de iGaming tem sido poss¨ªvel devido ao avan?o do software utilizado nos jogos on-line. Para oferecer aos usu¨¢rios produtos emocionantes e de alta qualidade, a ind¨²stria requer um entendimento profundo de tecnologias de ponta, conceitos e abordagens como Alta Carga, Big Data, Alta Disponibilidade, Alta Escalabilidade, Tempo Real e Baixa Lat¨ºncia. Portanto, os desenvolvedores de software de iGaming est?o impulsionando o desenvolvimento global da ind¨²stria e isso ¨¦ precisamente o que a PIN-UP.TECH est¨¢ fazendo.
O segmento PIN-UP.TECH faz parte do ecossistema global da PIN-UP e ¨¦ composto por empresas de TI especializadas no desenvolvimento de software para todos os seus membros. Entre as conquistas da PIN-UP.TECH est?o solu??es tecnol¨®gicas ¨²nicas que permitem aos parceiros manter sua posi??o de lideran?a e oferecer aos jogadores um servi?o de alta qualidade. Mais de 500 especialistas de diferentes pa¨ªses est?o envolvidos na dire??o t¨¦cnica da PIN-UP, garantindo a estabilidade das plataformas de iGaming, CRM, ferramentas anti-fraude, sistemas de afiliados e muito mais. Entre os l¨ªderes dessa equipe profissional est¨¢ Volodymyr Todurov, Diretor Chefe de An¨¢lise, que compartilhou com a SiGMA News coment¨¢rios sobre sua experi¨ºncia ¨²nica de trabalho.
Voc¨º poderia nos contar mais sobre o modelo de ML/AI e como ele funciona para voc¨ºs?
Os modelos de decis?o baseados em IA examinam meticulosamente numerosos par?metros associados a cada transa??o, abrangendo vari¨¢veis como a frequ¨ºncia de apostas, seus valores, os eventos selecionados, bem como seu hist¨®rico. Esses par?metros passam por an¨¢lises dentro do modelo, onde aqueles que apresentam a maior efic¨¢cia preditiva s?o identificados e incorporados ao processo de previs?o.
N¨®s empregamos aprendizado de m¨¢quina com um foco principal no modelo de impulso de gradiente extremo, renomado por sua efic¨¢cia com dados estruturados. A ess¨ºncia deste m¨¦todo reside na constru??o de um conjunto de modelos que se refinam iterativamente, aumentando assim a precis?o das previs?es. O modelo ¨¦ alimentado com um extenso hist¨®rico de apostas como entrada e produz uma probabilidade na faixa de 0 a 1, indicando a probabilidade de envolvimento do usu¨¢rio em atividades fraudulentas.
Quais s?o as vantagens de um modelo anti-fraude baseado em IA em compara??o com um cl¨¢ssico?
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 informa??es e discernir padr?es no comportamento do cliente que escapam de m¨¦todos como an¨¢lise manual de transa??es ou a aplica??o de regras lineares.
A IA serve como uma ferramenta adicional para a equipe de opera??es, otimizando processos ao reduzir as taxas de erro e os tempos de tomada de decis?o para casos individuais, ao mesmo tempo em que descobre novas percep??es sobre nossa clientela. Em certos aspectos, a IA enriquece nossa experi¨ºncia e amplia nossas perspectivas ao empregar uma abordagem ligeiramente divergente para a tomada de decis?es. Muitas tarefas agora podem ser delegadas ¨¤ IA com autonomia.
Consequentemente, a IA facilita a expans?o dos volumes de neg¨®cios sem um aumento proporcional na equipe de gerenciamento de riscos, otimizando as opera??es di¨¢rias ao eliminar rotinas tediosas e proporcionando a oportunidade de aprofundar a an¨¢lise de outros processos.
Na sua opini?o, 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 implementa??o adicional dessas tecnologias. Nosso pr¨®ximo passo envolve a cria??o de um sistema de tomada de decis?es usando redes neurais profundas de ponta e intelig¨ºncia artificial generativa. Ao reduzir os tempos de decis?o, estamos nos aproximando de nosso objetivo de aumentar a precis?o e a velocidade na detec??o de comportamentos fraudulentos do cliente.
Esta abordagem, com sua habilidade de aprender e se adaptar, mergulha fundo no hist¨®rico de cada cliente, empregando diversos cen¨¢rios para identificar grupos espec¨ªficos, incluindo fraudadores. Essas novas ferramentas, uma vez aperfei?oadas, s?o uma verdadeira descoberta para a rotina di¨¢ria da equipe anti-fraude.
Para grandes empresas, elas s?o como um fiel companheiro para verifica??es retrospectivas, garantindo que tenhamos rotulado corretamente todos os clientes como “bons” ou “maus”, para que os gerentes possam ficar tranquilos, sabendo que n?o perderam nenhum encrenqueiro. E para pequenas empresas, elas s?o um divisor de ¨¢guas, eliminando a necessidade de uma equipe de analistas robusta desde o in¨ªcio. Deixe a IA assumir o controle das tarefas manuais e veja a efici¨ºncia do departamento anti-fraude disparar.
Quais s?o algumas das maneiras de melhorar ainda mais a efici¨ºncia dos processos anti-fraude? Nos conte brevemente sobre suas abordagens.
Cada equipe, levando em considera??o a dire??o do neg¨®cio e o n¨²mero de especialistas, tem seus pr¨®prios segredos para aumentar a efici¨ºncia e resolver inteligentemente problemas complexos. Para n¨®s, definitivamente ¨¦ a automa??o 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 otimiza??o. Nosso objetivo ¨¦ encontrar o procedimento manual, o chamado “trabalho de macaco”, para automatiz¨¢-lo.
O problema pode ser resolvido de diferentes maneiras: vou dar alguns exemplos de nossas opera??es nos ¨²ltimos anos. Anteriormente, os analistas anti-fraude precisavam exportar algumas tabelas csv para mescl¨¢-las a fim de entender se havia certas mudan?as comportamentais nas contas dos jogadores com base no hist¨®rico financeiro e de jogos de azar. Percebemos que economizar¨ªamos pelo menos 10-15 minutos de opera??es manuais por caso apenas criando um novo painel de controle em tempo real com tabelas din?micas e gr¨¢ficos necess¨¢rios.
Outro caso ¨¦ a revis?o das opera??es atuais. Vamos dar uma olhada no processo de confirma??o de saques. Com base em uma abordagem de DDDM, analisamos o peso das evid¨ºncias em cada motivo que leva ¨¤ confirma??o manual de saques. Alguns dos motivos foram criados como rea??o a determinados casos de fraude para ficar de olho em poss¨ªveis fraudes recorrentes. No entanto, o neg¨®cio se expandiu e mais novos jogadores de novos GEOs levaram a uma diminui??o do desempenho da regra. Ent?o, adotamos a regra e obtivemos um aumento de 15% na produtividade da equipe em termos de sua carga de trabalho. O ponto principal aqui ¨¦ executar an¨¢lises cont¨ªnuas sobre as opera??es de fluxo de trabalho com base em medi??es de carga e produtividade para encontrar as otimiza??es combinando gerenciamento e automa??o.
Quais processos um neg¨®cio precisa estabelecer para integrar o modelo DDDM, quanto tempo pode levar e qu?o r¨¢pido ele gera receita?
O ponto principal em rela??o ao DDDM ¨¦ a mentalidade. Os gerentes s¨ºniores devem negar todos os argumentos baseados em sentimentos, esperan?as e “experi¨ºncia”. Quero dizer, esse tipo de abordagem deve ser usado apenas para algumas exce??es quando voc¨º n?o tem dados para calcular sua decis?o. Ou quando o problema n?o vale a pena calcular esfor?os. Sempre que voc¨º quiser fazer mudan?as em seu produto, pergunte ¨¤ equipe sobre os n¨²meros.
O erro muito comum ¨¦ o chamado vi¨¦s de sobreviv¨ºncia. Atente-se ¨¤s conclus?es que voc¨º faz ao usar an¨¢lises abrangentes para o escopo pertinente das entidades envolvidas. Com base na pr¨¢tica, os gerentes muitas vezes esquecem de fazer uma vis?o geral sobre o problema. Vou dar um exemplo dentro das opera??es anti-fraude. Um gerente veio com uma an¨¢lise retrospectiva da atividade de fraude com base no abuso de b?nus de boas-vindas nos ¨²ltimos 4 meses. 83% dos usu¨¢rios tinham os mesmos padr?es para criar um gatilho de pontua??o de alerta: primeiro dep¨®sito acima de US$ 13, uso de cart?o banc¨¢rio pr¨¦-pago, an¨¢lise de IP inconsistente (provavelmente proxies ou VPN). Parece bom, n?o ¨¦?
No entanto, pedi para fazer c¨¢lculos se ainda h¨¢ uma boa efici¨ºncia se extrapolarmos esse gatilho para todos os novos usu¨¢rios. Os modelos de pontua??o mostraram 5% de efici¨ºncia. Portanto, algumas combina??es de atributos poderiam descrever perfeitamente um grupo de usu¨¢rios fraudulentos e ainda serem comuns para um segmento maior de bons usu¨¢rios. A prop¨®sito, adicionamos alguns padr?es de estilo de jogo a esses gatilhos de ca?adores de b?nus de boas-vindas para segreg¨¢-los de bons jogadores e manter o gatilho em produ??o.
Usar DDDM trar¨¢ valor desde o primeiro dia. Voc¨º evitar¨¢ erros e aumentar¨¢ a produtividade. O ponto principal ¨¦ pedir ¨¤ equipe para mostrar seus n¨²meros como o principal argumento na decis?o empresarial tomada.
Breve biografia de Volodymyr:
Volodymyr Todurov tem oito anos de experi¨ºncia em jogos de azar, tendo ocupado os cargos de gerente de risco e chefe de antifraude e an¨¢lise. Atualmente, ocupa o cargo de diretor de an¨¢lise na PIN-UP Global. Ele ¨¦ um especialista em opera??es de gest?o de risco de apostas esportivas, cassino, programas de afiliados, marketing, sistemas de pagamento. Volodymyr especializa-se em abordagem de tomada de decis?o baseada em dados, modelagem econ?mica e previs?o.
Continuaremos nossas conversas com os especialistas da PIN-UP Global, ent?o fique ligado na SiGMA News para mais informa??es sobre os atuais motores da esfera de iGaming.
Pr¨®ximo evento da SiGMA: SiGMA ?sia, 2 – 5 de junho. Saiba mais detalhes clicando aqui.
