Bankacılık güvenliğini güçlendirmek: dolandırıcılık tespiti için makine öğrenimi

Her fırsatla birlikte bir tehdit gelir. Bankacılık sektöründe dijitalleşmeye doğru geçiş, müşteri deneyimini iyileştirdi ve müşteri tabanlarını daha önce banka hesabı olmayan nüfusa kadar genişletti. Dezavantajı ise çevrimiçi işlemlerin ve dijital ödeme çözümlerinin dolandırıcıların yararlanabileceği yeni yollar açmasıydı.

KMPG dolandırıcılık araştırmasından elde edilen bulgular, siber saldırıların sıklığının ve şiddetinin arttığını ve milyarlarca dolarlık kayba yol açtığını gösteriyor.

Yukarıdaki grafik, 2022 yılında Amerika Birleşik Devletleri'nde ödeme yöntemiyle dolandırıcılık kaybının değerini göstermektedir. Banka transferleri ve ödemeler, 1,59 milyar dolarlık kayıpla en yüksek kaybı yaşadı.

Bu kayıplar, bankacılık kurumlarını finansal dolandırıcılığı tespit etmek, azaltmak ve önlemek için yeni çözümler benimsemeye zorladı. Bu tür yöntemlerden biri yapay zekadır (AI), özellikle de makine öğrenimi.

Bu makalede, faydaları ve gerçek hayattaki uygulamalar da dahil olmak üzere sahtekarlık tespiti için makine öğrenimi hakkında bilmeniz gereken her şeyi tartışacağız.

Dolandırıcılık tespitinin evrimi

Geleneksel dolandırıcılık tespiti kurala dayalı bir yaklaşımı izler. Adından da anlaşılacağı gibi, bir işlemin gerçek mi yoksa sahte mi olduğunu belirleyen bir dizi kural veya koşul altında çalışır. Yaygın koşullar arasında yer (satın alma işlemi kullanıcının olağan alanının dışında mı?) ve sıklık (satın alma işleminin sayısı ve türü kullanıcı için olağan mı?) yer alır.

Bir işlem ancak koşulları karşıladığında gerçekleşir. Örneğin, Ohio'daki bir müşteriden aniden Yeni Zelanda'da bir POS ücreti tahsil edildi. Konum, kullanıcının alan kodunun dışında olduğundan sistem, işlemleri sahtekarlık olarak işaretler.

Bu tür dolandırıcılık tespit sisteminin çeşitli dezavantajları vardır.

1. Çok sayıda yanlış pozitif üretir. Burası gerçek müşterilerden gelen ödemeleri engellediğiniz yerdir.
2. Esnek değildir. Kurala dayalı yaklaşım sabit sonuçları kullanıyor ve bu da dijital bankacılıktaki trendlere uyum sağlamayı zorlaştırıyor. Yeni dolandırıcılık türlerini yakalamak için kuralları değiştirmelisiniz.
3. Ölçeklenmiyor. Veriler arttıkça bunu önlemek için gereken çaba da artıyor. Sistemde yapılan herhangi bir değişiklik manuel olarak yapıldığından, pahalı ve zaman alıcı hale gelir.

Kural tabanlı dolandırıcılık tespiti çalışır. Ancak dezavantajları onu modern dijital ortamlar için uygunsuz kılmaktadır. Kalıpları tanıyamaz ve insan müdahalesine dayanır.

Dahası, bilgisayar korsanları 9-5 programına uymazlar ve dolandırıcılık tespit sistemlerini kandırmak için konum sahteciliği ve müşteri davranışını taklit etme gibi karmaşık yöntemler kullanabilirler. Bu nedenle aynı derecede gelişmiş, 7/24 çalışan bir sisteme ihtiyacınız var.

Makine öğrenimine girin.

Makine öğrenimi, veri modellerini ve ilişkilerini ortaya çıkarmak, içgörü kazanmak ve tahminlerde bulunmak amacıyla dolandırıcılık tespit algoritmalarını eğitmek için verileri kullanan bir yapay zekadır (AI) .

Bilmeseniz bile makine öğrenimine zaten aşinasınız. Örneğin, bir Instagram gönderisiyle etkileşime geçtiğinizde, algoritmaya beğendiğiniz içerik türüyle ilgili bilgileri beslersiniz. Daha sonra feed'inize eklenecek benzer içerikleri bulmak için uygulamayı tarar.

Makine öğrenimi dolandırıcılık tespitini nasıl dönüştürecek?

Bankacılıkta makine öğrenimi kullanılarak yapılan sahtekarlık tespiti, dolandırıcılığın daha hızlı, daha esnek ve daha doğru şekilde tanımlanması ve buna yanıt verilmesiyle sektörü şimdiden değiştiriyor.

Yapay zeka sistemi, müşteri verilerindeki kalıpları analiz eder ve geçmiş ve yeni ortaya çıkan tehditlere göre kuralları otomatik olarak değiştirir.

Daha önce bahsettiğimiz Yeni Zelanda POS ücretini hatırlıyor musunuz? Makine öğrenimini kullanan sahtekarlık tespiti, aynı banka kartının o konuma uçuş için bir satın alma işlemi yaptığını dikkate alır. Bu nedenle, yeni borç büyük olasılıkla meşrudur.

Dolandırıcılığı tespit etmek amacıyla algoritmaları eğitmek için iki model kullanılır: denetimli makine öğrenimi ve denetimsiz makine öğrenimi.

Denetimli makine öğrenimi

Denetimli öğrenme modeli, algoritmalara dolandırıcılık ya da dolandırıcılık dışı olarak etiketlenen büyük miktarda veriyi besler. Algoritma bu örnekleri inceliyor ve meşru işlemleri sahte işlemlerden ayıran kalıp ve ilişkilerin hangileri olduğunu öğreniyor.

Bu öğrenme modeli, verilerin manuel olarak etiketlenmesini gerektirdiğinden zaman alıcıdır. Ayrıca veri kümelerinizin doğru şekilde etiketlenmesi ve iyi organize edilmesi gerekir. Yanlış etiketlenen bir işlem, algoritmanın doğruluğunu etkileyecektir.

Ayrıca yalnızca eğitim setindeki girdilerden öğrenir. Dolayısıyla, yeni başlattığınız mobil bankacılık uygulaması özellikleri aracılığıyla geçmiş verilerin parçası olmayan işlemler işaretlenmeyecektir. Artık dolandırıcıların yararlanabileceği bir boşluk var.

Denetimsiz makine öğrenimi

Denetimsiz öğrenme modeli minimum düzeyde insan girdisi kullanır. Algoritma, veri kümelerini benzerliklere ve farklılıklara göre gruplandırarak büyük miktarlarda etiketlenmemiş verilerden kalıpları ve ilişkileri öğrenir.

Amaç, eğitim veri setinde yer almayan olağandışı aktiviteyi tespit etmektir. Böylece denetimsiz öğrenme, denetimli öğrenmenin kaldığı yerden devam eder ve yeni sahtekarlıkları tespit eder.

Denetimli veya denetimsiz makine öğrenimi modeli arasında seçim yapmak zorunda olmadığınızı unutmayın. Bunları birlikte (yarı denetimli öğrenme modeli) veya bağımsız olarak kullanabilirsiniz.

Dolandırıcılık tespiti için ML kullanmanın faydaları

Bankacılıkta makine öğrenimini kullanarak dolandırıcılık tespitinin yararlarına değinmiştik, ancak bunları daha ayrıntılı olarak tartışalım.

• Hız

Makine öğrenimi hesaplamaları hızla gerçekleşir ve sahtekarlık kararlarını gerçek zamanlı olarak verir. Kural tabanlı algoritmalar aynı zamanda gerçek zamanlı olarak karar verirken, sahtekarlığı işaretlemek için yazılı kurallara güvenirler.

Önceden tanımlanmış kuralların olmadığı yeni senaryolarda ne olur? Yanlış pozitiflere veya yanlış negatiflere yol açar.

Makine öğrenimi, yeni modelleri otomatik olarak algılar, düzenli müşteri faaliyetlerini analiz eder ve uygun sonuçları milisaniyeler içinde hesaplar.

• Kesinlik

Kural tabanlı tespit sistemleri, müşteri davranışındaki incelikleri tespit edemedikleri için gerçek işlemleri engeller veya hileli işlemlere izin verir.

Makine öğrenimi sistemleri, bilinen dolandırıcılık davranışları gibi yazılı kuralların ötesindeki değişkenleri dikkate alır. Bu değişkenler işlemin bağlamsallaştırılmasına yardımcı olarak yanlış pozitiflik oranını azaltır.

• Esneklik

Makine öğrenimi esnek ve reaktiftir. Kendi kendine öğrenme yeteneği, bu sistemin yeni senaryolara uyum sağlamasına ve yeni tehditleri tespit etmesine olanak tanır. Kural tabanlı sistemler katıdır ve öğrenme yetenekleri yoktur. Bu nedenle dolandırıcılık faaliyetlerine yalnızca önceden tanımlanmış kurallara göre yanıt verebilir.

• Yeterlik

Makine öğrenimi algoritmaları saniyede binlerce işlem verisini analiz edebilir. Düşük ila orta düzeyli dolandırıcılık vakalarını araştırmak için iş gücü ve genel giderler harcamak yerine, makine öğrenimi tekrarlanan veya kesin dolandırıcılık olaylarını işleyebilir. Dolandırıcılık uzmanlarının insan içgörüsü gerektiren karmaşık kalıplara odaklanmasına olanak tanır.

• Ölçeklenebilirlik

Artan veri hacmi kural tabanlı sistemler üzerinde baskı oluşturuyor. Yeni kurallar sistemin karmaşıklığını artırarak sürdürülmesini zorlaştırıyor. Herhangi bir hata veya çelişki, modelin tamamını etkisiz hale getirebilir.

Makine öğrenimi sistemleri bunun tam tersidir. Yalnızca büyük hacimli yeni verileri özümsemekle kalmıyorlar, aynı zamanda gelişiyorlar.

Dolandırıcılık tespitinde kullanılan makine öğrenimi teknikleri

Yapay zeka sahtekarlık tespitinde kullanılan farklı algoritmaları incelemeden önce sistemin nasıl çalıştığına bir göz atalım.

İlk adım veri girişidir. Modelin doğruluğu verilerin hacmine ve kalitesine bağlıdır. Ne kadar yüksek kaliteli veri eklerseniz model o kadar doğru olur.

Daha sonra model, verileri analiz eder ve normal davranışlar ile hileli davranışları tanımlayan temel özellikleri çıkarır . Bu özellikler arasında müşteri kimliği (e-posta veya telefon numarası), konum (IP veya teslimat adresi), ödeme yöntemleri (kart sahibinin adı ve kaynak ülke) ve daha fazlası yer alır.

Üçüncü adım, algoritmayı (daha fazla veriyle) gerçek ve sahte işlemleri ayırt edecek şekilde eğitmektir . Model bir eğitim veri seti alır ve çeşitli durumlarda dolandırıcılık olasılığını tahmin eder. Algoritma yeterince eğitildikten sonra onu başlatmaya hazırsınız.

Şimdi kullanabileceğiniz çeşitli algoritmalara bakalım.

1. Lojistik regresyon

Lojistik regresyon denetimli bir öğrenme algoritmasıdır. Modelin parametrelerine dayalı olarak dolandırıcılık olasılığını ikili ölçekte (dolandırıcılık veya dolandırıcılık dışı) hesaplar.

Grafiğin olumlu tarafında yer alan işlemler büyük ihtimalle sahtekarlıktır, olumsuz tarafta yer alan işlemler ise büyük olasılıkla meşrudur.

2. Karar ağacı

Karar ağacı denetimli bir öğrenme algoritmasıdır ancak lojistik regresyon algoritmalarından daha ileri gider. Bir işlemin gerçek mi yoksa sahte mi olduğunu belirlemek için verileri düzeyler halinde analiz eden hiyerarşik bir karar yapısıdır.

Aşağıda kredi kartı dolandırıcılığının tespitine yönelik bir karar ağacının çizimi bulunmaktadır.

İşlemin hileli olup olmadığının tespitinin şartı işlem tutarıdır. İşlemin değeri belirlenen eşiği aşarsa algoritma bunu sahtekarlık olarak değerlendiriyor. Değilse, ağaç başka bir koşulu, yani işlem süresini kontrol eder. Zamanlama olağandışıysa (burada sabah 3'te), bunun bir sahtekarlık olması muhtemeldir. Değilse başka bir durumu kontrol eder. Devam ediyor.

3. Rastgele Orman

Rastgele orman, her karar ağacının farklı koşulları (kimlik, konum vb.) kontrol ettiği birçok karar ağacının birleşimidir.

Tüm parametreler kontrol edildikten sonra her alt ağaç bir karar sunar. Birleşik toplam, işlemin gerçek mi yoksa sahte mi olduğunu belirler.

4. Sinir ağları

Sinir ağları karmaşık, denetlenmeyen algoritmalardır. İnsan beyninden ilham alan sinir ağları, üst düzey özellikleri çıkarmak için verileri birden çok katmanda işler. Bu algoritma resimler, metinler, ses ve diğer verilerdeki kalıpları tanıyabilen derin öğrenmeyle el ele gider.

İşte bir sinir ağının basitleştirilmiş bir versiyonu.

Bir sinir ağının üç katmanı vardır: giriş, gizli ve çıkış. Giriş katmanı verileri işler, gizli katman, gizli kalıpları belirlemek için giriş katmanından gelen verileri analiz eder ve çıkış katmanı, verileri sınıflandırır.

Derin sinir ağlarının birçok gizli katmanı vardır. Doğrusal olmayan ilişkileri tanımlamak ve benzeri görülmemiş dolandırıcılık senaryolarını tespit etmek için mükemmeldirler.

5. Destek vektör makinesi

Destek vektör makineleri (SVM), aykırı değerleri tahmin eden, sınıflandıran ve tespit eden denetimli öğrenme algoritmalarıdır.

Bu doğrusal SVM çizimi, hiperdüzlem adı verilen düz bir çizgiyle ayrılmış iki veri kümesini gösterir. Verileri sahtekarlık ve sahtekarlık olmayan olarak sınıflandıran karar sınırıdır.

Hiperdüzlemden uzaktaki veri noktaları kolayca sınıflandırılır. Destek vektörlerinin (hiper düzleme en yakın) sınıflandırılması zordur. Bu aykırı değerler kaldırılırsa hiperdüzlemin konumunu etkileyebilir.

6. K-en yakın komşu

K-en yakın komşu (KNN), denetimli bir öğrenme algoritmasıdır. Benzer öğelerin birbirine yakın olduğu varsayımıyla çalışır.

Aşağıda basit bir örnek verilmiştir.

Yeni veri girişinin A veya B kategorisine yerleştirilmesi gerekir. Algoritma, veri noktaları arasındaki mesafeyi Öklid mesafesi adı verilen bir matematiksel denklem kullanarak hesaplar. Yeni veri noktası en fazla komşuya sahip olan gruba giriyor. En yakın veri seti 'dolandırıcılık' olarak etiketlenmişse, bu işlem sahtekarlık olarak sınıflandırılır.

Zorlukların ve stratejik hususların üstesinden gelinmesi

Tüm teknolojilerde olduğu gibi, sahtekarlık tespiti için makine öğreniminin entegre edilmesiyle ilgili artan sorunlar var. İşte karşılaşabileceğiniz bazı genel zorluklar.

Yetersiz altyapı

Birçok bankacılık sistemi büyük miktarlardaki karmaşık verileri analiz edemez. Ayrıca çoğu veri silolara konularak ayrı depolama tesislerinde barındırılır.

Ne yazık ki bu soruna hızlı bir çözüm bulunmuyor. Uygun donanım ve yazılıma yatırım yapmalısınız.

Belirli veri kümeleri için uygun algoritmaları otomatik olarak seçmek, ham verileri içe aktarmak ve makine öğrenimi için hazırlamak, verileri görselleştirmek, algoritmayı test etmek ve daha fazlasını yapmak için deneyimli bir Fintech uygulama geliştirme ajansıyla ortaklık kurmanız ve bir altyapı kurmanız gerekir.

Veri kalitesi ve güvenliği

Veri kalitesi, dolandırıcılık tespiti için makine öğrenimini uygulamak isteyen finansal kurumlar için önemli bir sorundur. Makine öğrenimi modelleri iyi ve kötü veriler arasında ayrım yapmaz. Dolayısıyla, algoritma ilgisiz veya eksik verilerle kirlenmişse modelinizin doğruluğu yanlış olacaktır.

Amazon Kinesis gibi veri alımı çözümleri ham verileri toplar, temizler ve dönüştürerek makine öğrenimi modellerine uygun hale getirir. Veriler temizlenip organize edildikten sonra hassas ve hassas olmayan verileri ayırmanız gerekir. Gizli bilgileri şifreleyin ve güvenli tesislerde saklayın. Ayrıca bu verilere erişimi de sınırlamanız gerekir.

Yetenek eksikliği

İnsanların korktuğuna rağmen makine öğrenimi işleri çalmıyor. Tam tersi. İnsan içgörüsü ve deneyimi gerektiren karmaşık vakaları yönetmek için hâlâ dolandırıcılık analistlerine ihtiyacımız var. Ayrıca makine öğrenimi yeni bir teknoloji ve bu alanda yeterli uzman bulunmuyor.

Bu, iş arayanlar için iyi bir haber ancak makine öğreniminin tüm potansiyelinden yararlanamayan kurumlar için değil. Makine öğrenimini uygulama becerisine sahip işletmelerle ortaklık kurarak bu hız artışının üstesinden gelebilirsiniz.

Makine öğrenimini kullanarak bankacılıkta dolandırıcılık tespitine ilişkin örnek olaylar

Şimdi, makine öğrenimini kullanarak bankacılıkta dolandırıcılık tespitinin gerçek hayattaki örneklerine bakalım.

Dolandırıcılık tespiti

Danske Bank, Danimarka'nın çok uluslu bir finans kuruluşudur. Danimarka'nın en büyük bankası ve Kuzey Avrupa'nın önde gelen perakende bankasıdır. Banka, kurala dayalı tespit sistemi kapsamında dolandırıcılığı azaltmak için mücadele etti. Yüzde 40 dolandırıcılık tespit oranı ve yüzde 99,5 yanlış pozitif oranı vardı.

Bir veri yazılımı şirketi olan Teradata ile çalışan Danske, potansiyel dolandırıcılık faaliyetlerini tespit etmeye yardımcı olmak için derin öğrenme yazılımını entegre etti. Sonuç, yanlış pozitiflerde %60 azalma ve gerçek pozitiflerde %50 artış oldu.

Kara para aklamanın önlenmesi

OakNorth, Birleşik Krallık'ta ölçeklendirme şirketlerine ticari ve kişisel finansal hizmetler sağlayan ticari bir kredi bankasıdır. Bankanın, kara para aklamayı önleme çekleri için bir sağlayıcı ve müşteriler için başka bir sağlayıcıdan oluşan parçalı bir tarama süreci vardı. Dahası, siyasi nüfuz sahibi kişiler (PEP) için yapılan taramalar birçok yanlış pozitif sonuç üretti.

Bir dolandırıcılık ve AML tespit şirketi olan ComplyAdvantage ile çalışan banka, uyumluluğu kolaylaştırmak ve verileri birleştirmek için bir tarama ve sürekli izleme çözümünü entegre etti. Bu, bankanın borç verme ve tasarruf işlemleri arasında hızlı veri aktarımını kolaylaştırdı.

Kredi taahhüdü

Hawaii USA Credit Union, Hawaii'deki en büyük kredi birliğidir ve Forbes Magazine'in en iyi kredi birliklerinden biridir. Fintech şirketleriyle rekabet edebilmek ve bireysel kredi portföyünü riski artırmadan büyütmek istiyordu.

Zest AI ile çalışan kredi birliği, yapay zeka odaklı bir bireysel kredi modeli kullanarak karar verme süreçlerini otomatikleştirdi. Model, VantageScore kredi puanlama sisteminden daha derin bilgiler sağlamak için 278 değişken kullandı. Sonuç, onay oranında %21'lik bir artış ve temerrüt/kredi başvurusu dolandırıcılık oranında %0 oldu.

Dolandırıcılık tespiti için makine öğrenimi kullanılırken dikkate alınması gereken önemli noktalar

Bankacılıkta makine öğrenimini kullanarak dolandırıcılık tespiti etkili olsa da aynı zamanda göz korkutucudur. Bu sistemler çok sayıda doğru veri gerektirir veya modeller olması gerektiği gibi çalışmaz.

İşte makine öğrenimi sürecini optimize etmek için bazı ipuçları.

1. Giriş değişkenlerinin sayısını sınırlayın

Bu makale boyunca daha fazlasının daha fazla olduğunu söyledik. Veri hacmi konusunda bu durum geçerliliğini koruyor. Bununla birlikte, dolandırıcılık tespit değişkenlerinin sayısı arttıkça, daha azı daha fazladır.

Dolandırıcılığı araştırırken dikkate alınması gereken tipik özellikler şunlardır:

• IP adresi
• E-posta adresi
• Gönderi Adresi
• Ortalama sipariş/işlem değeri

Daha az özelliğin avantajı, algoritma eğitim sürelerinin kısalmasıdır. Ayrıca örtüşen veya ilgisiz veri kümelerinden kaynaklanan sorunlardan da kaçınırsınız.

2. Düzenlemelere uygunluğu sağlayın

Dolandırıcılığın önlenmesi veri güvenliğinin bir parçasıdır. Diğeri ise veri gizliliğidir. Pek çok ülkede kurumların müşteri verilerini nasıl toplayabileceği, kullanabileceği ve saklayabileceğiyle ilgili yasalar vardır. Birkaçını saymak gerekirse, Çin'in Kişisel Bilgilerin Korunması Yasası (PIPL), Kaliforniya Tüketici Gizliliği Yasası (CCPA) ve Avrupa Birliği'nin Genel Veri Koruma Yönetmeliği (GDPR) bulunmaktadır.

Bu yasaların makine öğreniminde kullanılan veriler üzerinde etkileri vardır. Veri gizliliği uyumluluk düzenlemelerinin çoğunda temel prensip bildirim/onaydır. Makine öğrenimi algoritmalarının eğitimine yönelik veriler de dahil olmak üzere, müşteri verilerini kullanıcı talepleri dışındaki amaçlarla kullanmak için bildirimde bulunmalı ve izin almalısınız.

Gizlilik standartlarına uygunluğu sağlamanın en basit yolu, mevzuata uygun özelliklere sahip teknik iş ortaklarından yararlanmaktır. Örneğin, veri gizliliğinin ve güvenliğinin nasıl korunacağını anlayan bir bankacılık uygulama geliştirme şirketiyle ortaklık kurmalısınız.

3. Makul bir eşik belirleyin

İşlem değeri kuralları, kabul etme veya reddetme yanıtını tetiklemek için minimum gereksinimlere sahiptir. Güvenliği ve kullanıcı deneyimini dengeleyen bir eşik istiyorsunuz. Eşik çok katıysa yasal işlemleri engelleme riskiyle karşı karşıya kalırsınız. Eşik çok gevşekse başarılı dolandırıcılık oranını artıracaksınız.

Doğru dengeyi bulmak için risk iştahınızı hesaplayın. Risk seviyeleri her finansal kurum veya ürün için farklılık gösterir. Örneğin, bir mikro kredi bankası teklifi, düşük değerli krediler için yüksek bir eşik belirleyebilir. Ticari bir banka ipotek kredileri konusunda bu kadar cömert olamaz.

Geleceği tahmin etmek

Gelecek şimdidir, ancak kuruluşların yalnızca %17'si sahtekarlıkla mücadele programlarında makine öğrenimini kullanıyor. Geride kalmayın.

Makine öğrenimi yoluyla bankanızın güvenliğinde bekleyebileceğiniz bazı yenilikleri burada bulabilirsiniz.

• Cihaz profili oluşturma : Bankacılık ağınıza bağlanan farklı cihazları tanımlayarak herhangi bir cihazın özelliklerini ve davranışlarını analiz edin.
• Otomatik anormallik tespiti ve yanıtı : Bilinen cihazlardan gelen dolandırıcılık davranışlarını tespit edin ve etkilenen sistemleri izole edin.
• Sıfır gün tespiti : Kuruluşları siber saldırılardan korumak için önceden bilinmeyen güvenlik açıklarını ve kötü amaçlı yazılımları tespit edin.
• Veri maskeleme : gizli verileri otomatik olarak algılar ve anonimleştirir.
• Ölçeklendirilmiş bilgiler : Birden fazla cihaz ve konumdaki dolandırıcılık eğilimlerini belirleyin.
• Yenilikçi politika : İlgili güvenlik politikalarını yönlendirmek için makine öğrenimi öngörülerini kullanın.

İster bir varlık yönetimi kurumu, ister bir kredi birliği olun, yapay zeka ve makine öğrenimi, dolandırıcılık tespiti için muazzam fırsatlar barındırır.

Ancak bilgisayar korsanlarının bu teknolojileri koruyucu önlemleri atlatmak için de kullandıklarını unutmamak önemlidir. Bu saldırıların önünde kalabilmek için makine öğrenimi modellerinizi güncelleyin. Yapay zeka tabanlı güvenliğinizi eski güzel insan zekasıyla da güçlendirebilirsiniz.