Mašinsko učenje - Otkrivanje prevarantskih transakcija pomoću izolacionih šuma

U sve više međusobno povezanom digitalnom svijetu, milijarde transakcija se odvija svakodnevno putem različitih sistema, od terminala za prodaju u tradicionalnim prodavnicama do online platnih portala. Ovi sistemi su pružili velike prilike i pomogli pokretanju novih inovativnih preduzeća s jedinstvenim poslovnim modelima. Iako su postojale značajne prednosti, došlo je i do oštrog porasta sve sofisticiranijeg kriminala na internetu.

Jedan od najčešćih oblika kriminala na internetu je prevara s kreditnim karticama, koja predstavlja milijarde dolara prijavljenih u finansijskom sektoru širom svijeta. S obzirom na broj transakcija koje se odvijaju svakodnevno, finansijskim institucijama je izazovno boriti se protiv kriminalaca; nedavni napreci u mašinskom učenju doveli su do novih metoda za identifikaciju i otkrivanje prevarantskih transakcija. Tačna identifikacija prevare omogućava automatizovane strategije ublažavanja, kao što su obavještavanje kupca i traženje dodatne potvrde prije nego što transakcija prođe.

Ova studija slučaja istražuje pristup orijentisan na mašinsko učenje za identifikaciju prevare kreditnim karticama. Mašinsko učenje se pokazalo efikasnim u mnogim različitim okruženjima i također je efikasno u radu sa velikim količinama podataka, što je bitna razmatranje za softverske inženjere koji implementiraju bankarske sisteme.

Rješavanje problema putem vještačke inteligencije

Otkrivanje anomalija tradicionalno je bio problem koji spada u oblast statistike. Konvencionalne metode pretpostavljaju da skup podataka pada u okvir normalne distribucije. Dakle, outlieri se otkrivaju posmatranjem koje tačke podataka značajno odstupaju od norme. Nedostatak ove metode je u tome što ako skup podataka nije normalno distribuiran, efikasnost tehnike je ograničena.

Otkrivanje anomalija mašinskim učenjem izoluje anomalnu tačku

Kasnije su pokušani pristupi mašinskog učenja koji koriste nedavna algoritamska unapređenja, koja su se pokazala kao veoma efikasna, skalabilna i prevazilaze gorenavedena ograničenja statističkih metoda. Iako nisu široko usvojeni van finansijskog sektora, mnoge od ovih metoda su trenutno implementirane u proizvodnji u bankarstvu.

Novi pristup je razvijen 2008. godine u [1] iskorištavanjem jedinstvenog svojstva outliera, a to je da su outlieri tipično izolovani u odnosu na većinu tačaka podataka. S obzirom na ovo svojstvo, moguće je generisati nasumične particije oko tačaka podataka kako bi se jedna tačka podataka okružila; što je manje particija potrebno da bi se izolovala tačka podataka, veća je vjerovatnoća da je takva tačka podataka outlier. Razvijeni algoritam ima linearnu vremensku složenost i dokazano dobro radi čak i kada je dostupan ograničen skup podataka za obuku; to je u suprotnosti sa tipičnim pristupima koji zahtijevaju opsežne podatke za obuku.

Animacija prevare kreditnom karticom

Pregled organizacionog izazova

S obzirom na to da se milijarde transakcija dešavaju dnevno, detektovanje prevara i pokretanje modela u realnom vremenu je izazovno. Vizuelna inspekcija ističe da je pronalaženje igle u plastu sijena poput pronalaženja igle. Sljedeće slike ilustruju bankovne transakcije tokom vremena, sa legitimnim zelenim i prevarantskim crvenim. Izazovno je izolovati prevarantske transakcije. Finansijske institucije su dužne pokušati suzbiti prevaru kako bi se pridržavale propisa. To je također očekivanje klijenata. Obično, kada do prijevare dođe, finansijska institucija snosi trošak kako bi održala zadovoljstvo klijenata.

Transakcije kreditnom karticom Scatter Plot grafikon

Transakcije kreditnom karticom Packed Bubble grafikon

Organizacije se sve više okreću metodama mašinskog učenja kao dijelu svojih putanja digitalne transformacije kako bi riješile probleme koji zahtijevaju skaliranje, poput otkrivanja prevare. Mnogi od pokazatelja za otkrivanje prevare se obično pohranjuju unutar skladišta podataka. Forenzične računovodstvene tehnike su također prilično napredne u određivanju metrika koje se koriste kao ulazi za modele mašinskog učenja.

Izolacione šume su primijenjene na Kaggle skup podataka o kreditnim karticama [2] i pokazalo se da su 99% efikasne u otkrivanju prevarantskih transakcija [3]. S obzirom na to da je utvrđen opšti pristup koji funkcioniše, većina organizacija se suočava sa izazovima implementacije koji rade na velikoj skali, umjesto da moraju istraživati & razviti rješenje.

Organizacioni podaci dostupni kao ML ulaz

Izvori podataka koje koriste finansijske institucije su sljedeći:

Metapodaci kupaca.
Vremenske oznake i iznosi transakcija.
Istorija transakcija kupaca.
Geografska lokacija transakcija.
Benfordov zakon.

Metodologija integracije

Slijedi pregled procesa koji bismo izveli na visokom nivou za analizu takvih izvora unutar organizacije:

Identifikujte finansijske metrike iz ERP sistema koji se mogu koristiti kao ulazi.
Trenirajte izolacionu šumu na početnom skupu podataka i nastavite da trenirate model u budućnosti kako biste osigurali da otkriva novije obrasce prevarantskih transakcija.
Pozivanjem Telemus AI™ API-ja za pokretanje Izolacione šume na dolaznim transakcijama, API vraća probabilističku procjenu vjerovatnoće lažne transakcije na osnovu modela.
Postavite prilagođene tokove rada i procese za upozoravanje tima za prevare, kao i klijenata, o potencijalno prevarantskim transakcijama

Telemus AI™ ima robusne modele mašinskog učenja koji čitaju tako da se vaša organizacija može fokusirati na poslovnu logiku umjesto na tehničku implementaciju.

Organizacione aplikacije

Slijede druge potencijalne aplikacije za vašu organizaciju:

Otkrivanje prevarantskih transakcija.
Otkrivanje lažnih zahtjeva zaposlenih.
Utvrđivanje neobičnog organizacionog ponašanja putem sistema za praćenje ljudskih resursa.

Potencijalne i ostvarene prednosti

S obzirom na ogromnu magnitudu vremena i novca koji finansijske prevare koštaju, kao i na štetu po reputaciju i nezadovoljstvo kupaca koje mogu uzrokovati, aktivno sprječavanje prevara može uštedjeti i do milione, čak i milijarde dolara, zavisno od razmjere operacija. Regulatorna tijela također kontinuirano izdaju strožije smjernice za usklađenost. Postoji očekivanje da finansijske institucije imaju procese, procedure i sisteme za sprječavanje i borbu protiv prevara. Regulatorne tehnologije, ili RegTech, jeste emerging oblast koja ima potencijal da pokrene mnoge inovacije unutar operativnih odjeljenja mnogih organizacija u kretanju naprijed u budućnost.

Telemus AI™ je australska kompanija za umjetnu inteligenciju koja pruža napredna rješenja za vladu i preduzeća. Kontaktirajte nas danas za besplatne konsultacije o tome kako se Telemus AI™ može integrirati u vašu organizaciju.