Pengantar

Dalam artikel ini, saya akan merangkum isi dari How We Built It: Stripe Radar, yang telah dipublikasikan oleh perusahaan Stripe di blog resmi mereka.

Apa itu Stripe Radar

Stripe Radar adalah solusi pencegahan penipuan yang disediakan oleh platform pembayaran online Stripe. Alat ini beroperasi dalam waktu singkat dari saat pengguna mengklik tombol "beli" hingga transaksi dikonfirmasi. Stripe Radar mengevaluasi lebih dari 1.000 fitur dan menentukan apakah transaksi tersebut penipuan atau tidak dalam waktu 100 milidetik. Secara khusus, penilaian ini dibuat dalam waktu 100 milidetik.

Penipuan pembayaran online merupakan tantangan yang signifikan bagi bisnis dan konsumen. Alat pencegahan penipuan yang efektif harus akurat, cepat, dan beroperasi dengan biaya rendah per transaksi. Selain itu, mereka harus menemukan keseimbangan antara memblokir transaksi buruk sambil meminimalkan positif palsu (memblock pembayaran sah). Stripe Radar dirancang untuk memenuhi persyaratan ini.

How We Built It: Stripe Radar memperkenalkan pelajaran berikut untuk membangun sistem ML seperti Stripe Radar.

Pelajaran 1: Hindari Stagnasi dalam Arsitektur Pembelajaran Mesin

Selama tahap awal pengembangan Stripe Radar, model pembelajaran mesin (ML) yang relatif sederhana (misalnya, regresi logistik) digunakan. Namun, seiring dengan pertumbuhan jaringan Stripe dan perkembangan teknologi ML, transisi dilakukan ke model yang lebih canggih (misalnya, jaringan saraf dalam).

Perubahan arsitektur terbaru terjadi pada pertengahan 2022. Dengan perubahan ini, transisi dilakukan dari Wide & Deep model yang terdiri dari model XGBoost dan jaringan saraf dalam (DNN) ke model DNN murni. Akibatnya, kecepatan pelatihan model meningkat, dan skalabilitas juga meningkat.

Sangat penting untuk tidak terlalu nyaman dengan arsitektur ML saat ini dan terus-menerus bertanya pada diri sendiri, "Jika memulai dari awal hari ini, model seperti apa yang akan saya bangun?"

Pelajaran 2: Terus Mengeksplorasi Fitur Pembelajaran Mesin Baru

Meningkatkan kinerja model pencegahan penipuan memerlukan rekayasa fitur. Tim Stripe Radar menyelidiki serangan penipuan masa lalu secara ekstensif untuk memahami pola pikir penipu.

Beberapa proses diperlukan untuk mengidentifikasi dan mengimplementasikan fitur secara efektif. Tim Stripe Radar melakukan penelitian mingguan tentang tren penipuan baru dan merancang fitur berdasarkan hasilnya. Setelah fitur ditentukan, prototipe dibuat untuk memahami dampaknya.

Pelajaran 3: Penjelasan Sama Pentingnya dengan Deteksi

Sangat penting tidak hanya mendeteksi penipuan tetapi juga menjelaskan kepada pengguna bagaimana penentuan itu dibuat. Terutama dalam kasus positif palsu atau situasi di mana transaksi penipuan secara keliru diperbolehkan, pengguna ingin tahu alasan di balik keputusan ini. Untuk mengatasi tantangan ini, Stripe Radar memperkenalkan fitur "Wawasan Risiko."

Fitur Wawasan Risiko menampilkan fitur yang berkontribusi kepada pengguna, menjelaskan mengapa suatu transaksi ditolak. Contoh inklusif mencocokkan nama pemegang kartu dengan alamat email yang diberikan atau jumlah kartu yang terkait dengan alamat IP yang sama. Ini meningkatkan pemahaman pengguna tentang konteks penolakan tertentu.

Kesimpulan

Proses pengembangan Stripe Radar menawarkan pelajaran signifikan sejalan dengan evolusi teknologi pencegahan penipuan. Pelajaran pertama adalah untuk menghindari stagnasi dalam arsitektur ML. Seperti teknologi berkembang, model juga harus berkembang. Pelajaran kedua adalah terus mengeksplorasi fitur baru. Rekayasa fitur krusial untuk meningkatkan kinerja model pencegahan penipuan. Akhirnya, transparansi sama pentingnya dengan deteksi. Transparansi kepada pengguna sangat penting untuk membangun kepercayaan dan pemahaman.

Referensi

https://stripe.com/blog/how-we-built-it-stripe-radar
https://arxiv.org/abs/1606.07792