Машинно обучение - Откриване на измамни транзакции с Изолационни гори
В един все по-взаимосвързан дигитален свят, милиарди транзакции се осъществяват всеки ден чрез различни системи, от терминали за продажби на дребно в традиционни магазини до онлайн платежни портали. Тези системи предоставиха големи възможности и помогнаха за движението на нови иновативни бизнеси с уникални бизнес модели. Въпреки че е имало значителни ползи, се наблюдава и рязко увеличение на все по-сложните киберпрестъпления.
Една от най-често срещаните форми на киберпрестъпление е измамата с кредитни карти, която представлява милиарди долари, отчитани в финансовия сектор в световен мащаб. Предвид броя на транзакциите, които се осъществяват всеки ден, за финансовите институции е предизвикателство да се борят с киберпрестъпниците; скорошният напредък в машинното обучение даде начало на нови методи за идентифициране и откриване на измамни транзакции. Точното идентифициране на измами позволява автоматизирани стратегии за смекчаване, като например предупреждаване на клиента и искане на допълнително потвърждение, преди транзакцията да продължи.
Това казус проучва подход, базиран на машинно обучение, за идентифициране на измами с кредитни карти. Машинното обучение се е доказало като ефективно в много различни среди и също така е ефективно при работа с големи обеми от данни, което е съществено съображение за софтуерните инженери, внедряващи банкови системи.
Решаване на проблема чрез изкуствен интелект
Откриването на аномалии традиционно е било проблем, който попада в областта на статистиката. Конвенционалните методи предполагат, че даден набор от данни попада в нормалното разпределение. По този начин отклоненията се откриват чрез наблюдение кои точки от данните се отклоняват значително от нормата. Недостатъкът на този метод е, че ако наборът от данни не е нормално разпределен, ефективността на техниката е ограничена.
По-късно са били изпробвани подходи за машинно обучение, използващи скорошни алгоритмични напредъци, които се оказаха силно ефективни, мащабируеми и преодоляват гореупоменатите ограничения на статистическите методи. Въпреки че не са широко възприети извън финансовия сектор, в момента много от тези методи са внедрени в производствена среда в банковото дело.
Нов подход е разработен през 2008 г. в [1] чрез използване на уникално свойство на аномалиите, а именно че аномалиите обикновено са изолирани спрямо мнозинството от точките с данни. Предвид това свойство, е възможно да се генерират случайни разделяния около точки с данни, за да се обхване дадена точка с данни; колкото по-малко разделяния са необходими за изолирането на точка с данни, толкова по-вероятно е такава точка с данни да е аномалия. Разработеният алгоритъм има линейна времева сложност и е доказано, че работи добре дори когато е наличен ограничен набор от обучителни данни; това контрастира с типичните подходи, които изискват обширни обучителни данни.
Преглед на организационното предизвикателство
Предвид че ежедневно се извършват милиарди транзакции, откриването на измамни аномалии и изпълнението на модел в реално време е предизвикателство. Визуалната инспекция показва, че намирането на игла в купа сено е като намирането на игла. Следните изображения илюстрират банкови транзакции във времето, като легитимните са в зелено, а измамните — в червено. Изолирането на измамни транзакции е предизвикателство. От финансовите институции се изисква да се опитват да борят измамите, за да спазват разпоредбите. Това е и очакване на клиентите. Обикновено, когато възникне измама, финансовата институция поема разходите, за да поддържа удовлетвореността на клиентите.
Организациите все по-често се обръщат към методите за машинно обучение като част от пътуванията си към цифрова трансформация, за да решават проблеми, които изискват мащабиране, като откриването на измами. Много от маркерите за откриване на измами обикновено се съхраняват в хранилища за данни. Техниките на съдебната счетоводство също са доста напреднали в определянето на метриките, използвани като входни данни за моделите за машинно обучение.
Изолационните гори са приложени към набора от данни за кредитни карти на Kaggle [2] и е демонстрирано, че са 99% ефективни при откриването на измамни транзакции [3]. Тъй като е установен общ подход, който работи, повечето организации са изправени пред предизвикателства при внедряването, които работят в мащаб, вместо да се налага да провеждат изследвания & разработване на решение.
Организационни данни, налични като вход за ML
Източниците на данни, използвани от финансовите институции, са както следва:
- Метаданни за клиенти.
- Времеви марки и суми на транзакции.
- История на транзакциите на клиентите.
- Географското местоположение на транзакциите.
- Закон на Бенфорд.
Методология на интеграцията
Следното е общ преглед на процеса, който бихме изпълнили на високо ниво за анализиране на такива потоци в рамките на организация:
- Идентифицирайте финансови метрики от ERP системи, които могат да се използват като входни данни.
- Обучете изолационна гора върху първоначален набор от данни и продължете да обучавате модела и в бъдеще, за да осигурите откриването на по-новите модели на измамни транзакции.
- Чрез извикване на Telemus AI™ API за изпълнение на Isolation Forest върху входящи транзакции, API връща вероятностна оценка на вероятността за измамна транзакция въз основа на модела.
- Настройване на персонализирани работни процеси и процедури за предупреждаване на екипа за измами, както и на клиентите за потенциално измамни транзакции
Telemus AI™ разполага с надеждни модели за машинно самообучение, така че вашата организация да може да се фокусира върху бизнес логиката, а не върху техническото внедряване.
Организационни приложения
Следното изброява други потенциални приложения за вашата организация:
- Откриване на измамни транзакции.
- Откриване на измамни искове на служители.
- Определяне на необичайно организационно поведение чрез системи за проследяване на човешките ресурси.
Потенциални и реализирани ползи
Предвид огромната величина на време и пари, които финансовите измами струват, и щетите върху репутацията и неудовлетвореността на клиентите, които могат да причинят, активното предотвратяване на измами може да спести до милиони, дори милиарди долари, в зависимост от мащаба на операциите. Регулаторните органи също непрекъснато издават по-строги указания за съответствие. Съществува очакване, че финансовите институции разполагат с процеси, процедури и системи за предотвратяване и борба с измами. Регулаторните технологии, или RegTech, са развиваща се сфера, която има потенциала да стимулира много иновации в оперативните отдели на много организации в бъдеще.
Telemus AI™ е австралийска компания за изкуствен интелект, предоставяща напреднали решения на правителството и бизнеса. Свържете се с нас днес за безплатна консултация относно това как Telemus AI™ може да бъде интегрирана във вашата организация.
Препратки
[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting и Zhi-Hua Zhou
[2] - Откриване на измами с кредитни карти - Kaggle
[3] - Машинно обучение при откриване на измами с кредитни карти - S Joel Franklin
