The paper presents the demand for the spread of payment systems. This is caused by the development of technology. The open
issue of application of payment systems - fraud - is singled out. It is established that there is no effective algorithm that would be the
standard for all financial institutions in detecting and preventing fraud. This is due to the fact that approaches to fraud are dynamic
and require constant revision of forecasts. Prospects for the development of scientific and practical approaches to prevent fraudulent
transactions in payment systems have been identified. It has been researched that machine learning is appropriate in solving the
problem of detecting fraud in payment systems. At the same time, the detection of fraud in payment systems is not only to build the
algorithmic core, but also to build a reliable automated system, which in real time, under high load, is able to control data flows and
effectively operate the algorithmic core of the system. The paper describes the architecture, principles and operation models, the
infrastructure of the automated fraud detection mechanism in payment systems. The expediency of using a cloud web service has
been determined. The deployment of the model in the form of automated technology based on the Amazon Web Services platform is
substantiated. The basis of the automated online fraud detection system is Amazon Fraud Detector and setting up payment fraud
detection workflows in payment systems using a customizable Amazon A2I task type to verify and confirm high-risk forecasts. The
paper gives an example of creating an anomaly detection system on Amazon DynamoDB streams using Amazon SageMaker, AWS
Glue and AWS Lambda. The automated system takes into account the dynamics of the data set, as the AWS Lambda function also
works with many other AWS streaming services. There are three main tasks that the software product solves: prevention and
detection of fraud in payment systems, rapid fraud detection (counts in minutes), integration of the software product into the business
where payment systems and services are used (for example, payment integration services in financial institutions, online stores,
logistics companies, insurance policies, trading platforms, etc.). It is determined that the implementation of an automated system
should be considered as a project. The principles of project implementation are offered. It is established that for the rational
implementation of the project it is necessary to develop a specific methodology for the implementation of the software product for
fraud detection in payment systems of business institutions.
У роботі представлено попит поширення платіжних систем. Таке поширення пов’язане із розвитком технологій.
Виокремлено відкрите питання застосування платіжних систем – шахрайство. Встановлено, що не існує ефективного
алгоритму, який би був стандартом для всіх фінансових установ при виявленні, запобіганні шахрайства. Це пов’язано із тим,
що підходи до шахрайства є динамічними та вимагають постійної переробки прогнозів. Визначено перспективи розвитку
науково-практичних підходів попередження шахрайських операцій при здійсненні транзакцій. Встановлено, що машинне
навчання є доречним у рішенні задач виявлення шахрайства у платіжних системах. Але виявлення шахрайства в платіжних
системах полягає не тільки в побудові самого алгоритмічного ядра, але й у побудові надійної автоматизованої системи, яка
в режимі реального часу, за умови високого навантаження, здатна керувати потоками даних та ефективно оперувати
алгоритмічним ядром системи. У роботі описано архітектуру, принципи та моделі функціонування, інфраструктуру
автоматизованої системи виявлення шахрайства в платіжних системах. Визначено доцільність застосування хмарного веб-
сервісу. Обґрунтовано розгортання моделі у вигляді автоматизованої технології базі платформи Amazon Web Services.
Основою автоматизованої системи виявлення онлайн-шахрайства є Amazon Fraud Detector і налаштування робочих процесів
перевірки шахрайства в платіжних системах за допомогою настроюваного типу завдання Amazon A2I для перевірки і
підтвердження прогнозів з високим ризиком. Наведено приклад створення системи виявлення аномалій на потоках Amazon
DynamoDB за допомогою Amazon SageMaker, AWS Glue та AWS Lambd. Автоматизована система враховує динамічність
набору даних, оскільки функція AWS Lambda також працює з багатьма іншими потоковими службами AWS. Виокремлено
основні три завдання, які вирішує програмний продукт: запобігання та виявлення шахрайства в платіжних системах,
виявлення шахрайства за лічені хвилини, інтеграція програмного продукту у бізнес, де використовуються платіжні системи
та сервіси (наприклад, сервіси інтеграції платежів у фінансових установах, інтернет-магазинах, логістичних компаніях,
страхових полісах, торгових майданчиках, тощо). Визначено, що впровадження автоматизованої системи доречно
розглядати як проєкт. Запропоновано принципи впровадження проєкту. Встановлено, що для раціонального впровадження
проєкту потрібно розробити конкретизовану методології впровадження програмного продукту виявлення шахрайства у
платіжних системах бізнесових установ.
