Fraude evolueert. Phishingpraktijken, betalingsfraude, identiteitsvervalsing, grootschalige geautomatiseerde aanvallen, ... de methoden die fraudeurs gebruiken veranderen voortdurend, en ze passen zich snel aan zodra er nieuwe tegenmaatregelen worden genomen. Traditionele detectiesystemen, gebouwd op vaste regels en statische modellen, schieten tekort.
De leerstoel FraudShift werd opgericht om dit probleem aan te pakken. Ons onderzoek richt zich op fraud analytics: een domein waar statistiek en machine learning samenkomen om verdachte patronen te herkennen in complexe, reële data. Het doel is niet alleen om accuratere detectiesystemen te bouwen, maar systemen die betrouwbaar, kostenefficiënt en robuust genoeg zijn om effectief te blijven naarmate fraudeurs hun technieken aanpassen.
Fundamenteel onderzoek
Een kernonderdeel van onze missie is het vergroten van de publieke kennisbasis rond fraudedetectie. Alle bevindingen worden gepubliceerd als open-access wetenschappelijke artikels, zodat ons werk bijdraagt aan de bredere academische en professionele gemeenschap en niet enkel ten goede komt aan één organisatie of product.
Inzicht in hoe fraudeurs zich aanpassen
Een van de grootste uitdagingen in fraudedetectie is dat fraudeurs niet stilstaan. Wanneer een tegenmaatregel wordt ingevoerd, observeren ze die en passen ze hun gedrag aan. FraudShift bestudeert deze aanpassingsmechanismen door te modelleren hoe frauduleuze strategieën evolueren als reactie op detectiesystemen. Inzicht in deze dynamiek is essentieel om een stap voor te blijven in plaats van altijd achter de feiten aan te lopen.
Vroege detectie van zwakke signalen
Fraude kondigt zich zelden aan met een duidelijk alarm. Vaker begint het als een subtiele afwijking, een kleine anomalie in het gedrag die, als ze onopgemerkt blijft, uitgroeit tot een ernstig incident. We ontwikkelen methoden om deze zwakke signalen te herkennen in data-omgevingen die voortdurend veranderen, zodat problemen kunnen worden gesignaleerd voordat ze escaleren.
Adaptieve systemen met oog voor kosten
In de praktijk is fraudedetectie nooit een eenvoudig ja-of-nee-probleem. Data is onzeker, onvolledig of vervuild. En de kosten van fouten zijn niet symmetrisch: een fraudegeval missen en een legitieme transactie ten onrechte markeren hebben zeer verschillende gevolgen. FraudShift ontwerpt systemen die met deze complexiteit omgaan: systemen die voortdurend worden bijgesteld op basis van nieuwe patronen, op een intelligente manier omgaan met onzekerheid en rekening houden met de reële kosten van beslissingen.