Dijital dünyada çevrimiçi dolandırıcılık, giderek karmaşıklaşan ve çeşitlenen bir tehdit olarak karşımıza çıkıyor. Yeni yayınlanan sistematik bir literatür taraması, yapay zeka (AI) ve doğal dil işleme (NLP) teknolojilerinin bu tehditle mücadeledeki rolünü inceliyor.
Araştırma, çeşitli dolandırıcılık türlerini ele alıyor:
- Phishing URL'leri: Sahte web siteleri aracılığıyla kişisel bilgileri çalma girişimleri.
- Sahte E-postalar: Meşru kurumları taklit ederek hassas bilgileri elde etme çabaları.
- SMS Dolandırıcılığı (Smishing): Kısa mesajlar yoluyla yapılan phishing saldırıları.
- Sahte İncelemeler: E-ticaret platformlarında yanıltıcı ürün değerlendirmeleri.
- İş İlanı Dolandırıcılığı: Sahte iş teklifleriyle kişisel bilgileri veya para elde etme girişimleri.
- Sosyal Medya Dolandırıcılığı: Sahte profiller ve reklamlar aracılığıyla yapılan aldatmacalar.
- Romantik Dolandırıcılık: Duygusal manipülasyon yoluyla maddi çıkar sağlama.
Çalışma, her bir dolandırıcılık türü için AI ve NLP tekniklerinin nasıl uygulandığını detaylı bir şekilde inceliyor. Örneğin, phishing URL'leri için Random Forest algoritmasının, sahte e-postalar için BERT ve LSTM modellerinin etkili olduğu görülüyor.
Veri kaynakları konusunda, araştırma statik veri setlerinden gerçek zamanlı kaynaklara geçişin önemini vurguluyor. Sosyal medya platformları, kullanıcı raporları ve güvenlik kurumlarından elde edilen güncel veriler, AI modellerinin etkinliğini artırıyor. Metodoloji açısından değerlendirildiğinde ise hibrit modeller öne çıkıyor. Makine öğrenimi algoritmaları ile derin öğrenme tekniklerinin kombinasyonu, farklı dolandırıcılık türleri için yüksek doğruluk oranları sunuyor.
Ancak, araştırma mevcut çalışmaların sınırlamalarını da ortaya koyuyor:
- Model performansının yetersiz raporlanması
- Çalışmaların tekrarlanabilirliğindeki zorluklar
- Etik hususların yeterince ele alınmaması
AI ve NLP teknolojileri çevrimiçi dolandırıcılıkla mücadelede güçlü araçlar sunsa da, sürekli gelişen tehdit yüzeyi karşısında bütünsel ve dinamik bir yaklaşım gerekiyor. İşte bu durumdan dolayı iş dünyası ve güvenlik profesyonelleri olarak, bu teknolojileri organizasyonlarımıza entegre ederken aşağıdaki konuları mutlaka göz önünde bulundurmalıyız diye düşünüyorum.
- Çoklu dolandırıcılık türlerini kapsayan bütünsel çözümler geliştirilmeli
- Sürekli güncellenen veri kaynakları kullanılmalı
- AI modellerinin kararları insan gözetimiyle desteklenmeli
- Etik kullanım prensipleri benimsenmeli ve şeffaflık arttırılmalı
Application of AI-based Models for Online Fraud Detection and Analysis
Fraud is a prevalent offence that extends beyond financial loss, causing psychological and physical harm to victims. The advancements in online communication technologies alowed for online fraud to thrive in this vast network, with fraudsters increasingly using these channels for deception. With the progression of technologies like AI, there is a growing concern that fraud will scale up, using sophisticated methods, like deep-fakes in phishing campaigns, all generated by language generation models like ChatGPT. However, the application of AI in detecting and analyzing online fraud remains understudied. We conduct a Systematic Literature Review on AI and NLP techniques for online fraud detection. The review adhered the PRISMA-ScR protocol, with eligibility criteria including relevance to online fraud, use of text data, and AI methodologies. We screened 2,457 academic records, 350 met our eligibility criteria, and included 223. We report the state-of-the-art NLP techniques for analysing various online fraud categories; the training data sources; the NLP algorithms and models built; and the performance metrics employed for model evaluation. We find that current research on online fraud is divided into various scam activitiesand identify 16 different frauds that researchers focus on. This SLR enhances the academic understanding of AI-based detection methods for online fraud and offers insights for policymakers, law enforcement, and businesses on safeguarding against such activities. We conclude that focusing on specific scams lacks generalization, as multiple models are required for different fraud types. The evolving nature of scams limits the effectiveness of models trained on outdated data. We also identify issues in data limitations, training bias reporting, and selective presentation of metrics in model performance reporting, which can lead to potential biases in model evaluation.