Aprenentatge automàtic - Detecció de transaccions fraudulentes amb boscos d'aïllament
En un món digital cada cop més interconnectat, milers de milions de transaccions es produeixen cada dia a través de diversos sistemes, des de terminals de punt de venda en botigues tradicionals fins a passarel·les de pagament en línia. Aquests sistemes han proporcionat grans oportunitats i han ajudat a impulsar nous negocis innovadors amb models de negoci únics. Tot i que hi ha hagut beneficis significatius, també hi ha hagut un augment brusc d'un ciberdelicte cada cop més sofisticat.
Una de les formes més comunes de cibercrim és el frau amb targetes de crèdit, que representa milers de milions de dòlars registrats al sector financer a nivell global. Tenint en compte el nombre de transaccions que es produeixen cada dia, és un repte per a les institucions financeres combatre els ciberdelinqüents; els avenços recents en l'aprenentatge automàtic han donat lloc a nous mètodes per identificar i detectar transaccions fraudulentes. La identificació precisa del frau permet estratègies automatitzades de mitigació, com ara alertar el client i sol·licitar una confirmació addicional abans que la transacció procedeixi.
Aquest cas d'estudi explora un enfocament basat en l'aprenentatge automàtic per a la identificació de frau amb targetes de crèdit. L'aprenentatge automàtic ha demostrat ser efectiu en molts entorns diferents i també és eficient en l'execució amb grans volums de dades, una consideració essencial per als enginyers de programari que implementen sistemes bancaris.
Resoldre el problema mitjançant intel·ligència artificial
La detecció d'anomalies ha estat tradicionalment un problema dins del camp de l'estadística. Els mètodes convencionals assumeixen que un conjunt de dades segueix una distribució normal. Així, els valors atípics es detecten observant quins punts de dades es desvien significativament de la norma. L'inconvenient d'aquest mètode és que si un conjunt de dades no està distribuït normalment, l'efectivitat de la tècnica és limitada.
Més tard es van intentar enfocaments d'aprenentatge automàtic utilitzant avenços algorítmics recents, que van resultar ser molt efectius, escalables i superen les limitacions esmentades dels mètodes estadístics. Tot i que no s'han adoptat àmpliament fora del sector financer, molts d'aquests mètodes s'han posat actualment en producció a la banca.
Es va desenvolupar un enfocament nou el 2008 a [1] explotant una propietat única dels valors atípics, sent que els valors atípics normalment estan aïllats respecte a la majoria dels punts de dades. Donada aquesta propietat, és possible generar particions aleatòries al voltant dels punts de dades per aïllar un punt de dades; com menys particions es necessitin per aïllar un punt de dades, més probable és que aquest punt de dades sigui un valor atípic. L'algoritme desenvolupat té una complexitat de temps lineal i s'ha demostrat que funciona bé fins i tot quan es disposa de dades d'entrenament limitades; això contrasta amb els enfocaments típics que requereixen dades d'entrenament extenses.
Visió general del repte organitzatiu
Tenint en compte que milers de milions de transaccions es produeixen diàriament, detectar anomalies fraudulentes i executar un model en temps real és un repte. Una inspecció visual posa de manifest que trobar una agulla en un pall és com trobar una agulla. Les següents imatges il·lustren transaccions bancàries al llarg del temps, amb les legítimes en verd i les fraudulentes en vermell. És un repte aïllar les transaccions fraudulentes. Les institucions financeres tenen l'obligació d'intentar combatre el frau per complir amb la normativa. També és una expectativa dels clients. Normalment, quan es produeix un frau, la institució financera assumeix el cost per mantenir la satisfacció del client.
Les organitzacions recorren cada cop més a mètodes d'aprenentatge automàtic com a part dels seus processos de transformació digital per resoldre problemes que requereixen escala, com la detecció de fraus. Molts dels indicadors per detectar fraus s'emmagatzemen normalment dins de magatzems de dades. Les tècniques de comptabilitat forense també estan força avançades per determinar les mètriques utilitzades com a entrades per als models d'aprenentatge automàtic.
S'han aplicat boscos d'aïllament al conjunt de dades de targetes de crèdit de Kaggle [2] i s'ha demostrat que són efectius en un 99% en la detecció de transaccions fraudulentes [3]. Atès que s'ha determinat un enfocament general que funciona, la majoria de les organitzacions s'enfronten a reptes d'implementació que funcionen a escala en lloc d'haver d'investigar & desenvolupar una solució.
Dades organitzatives disponibles com a entrada d'ML
Les fonts de dades utilitzades per les institucions financeres són les següents:
- Metadades de clients.
- Marques de temps i imports de les transaccions.
- Historial de transaccions dels clients.
- La ubicació geogràfica de les transaccions.
- Llei de Benford.
Metodologia d'Integració
El següent és una visió general del procés que realitzaríem a un alt nivell per analitzar aquests fluxos dins d'una organització:
- Identifiqueu les mètriques financeres dels sistemes ERP que es poden utilitzar com a entrades.
- Entrenar un bosc d'aïllament en un conjunt de dades inicial, i continuar entrenant el model en el futur per garantir que detecti els patrons de transaccions fraudulentes més recents.
- Cridant les API de Telemus AI™ per executar el Bosc d'Aïllament sobre les transaccions entrants, l'API retorna una estimació probabilística de la probabilitat d'una transacció fraudulenta basada en el model.
- Configura fluxos de treball i processos personalitzats per alertar l'equip de frau, així com els clients, sobre transaccions potencialment fraudulentes
Telemus AI™ té models robusts d'aprenentatge automàtic llegits de manera que la seva organització pot centrar-se en la lògica empresarial en lloc de la implementació tècnica.
Aplicacions Organitzatives
El següent llista altres aplicacions potencials per a la vostra organització:
- Detecció de transaccions fraudulentes.
- Detecció de reclamacions fraudulentes d'empleats.
- Determinar comportaments organitzatius inusuals mitjançant sistemes de seguiment de recursos humans.
Beneficis Potencials i Realitzats
Donada la gran magnitud de temps i diners que costa el frau financer i els danys a la reputació i la insatisfacció del client que pot causar, la prevenció activa del frau pot estalviar fins a milions, fins i tot milers de milions de dòlars, depenent de l'escala de l'operació. Els organismes reguladors també estan emetent contínuament directrius de compliment més estrictes. Hi ha l'expectativa que les institucions financeres tinguin processos, procediments i sistemes per prevenir i combatre el frau. Les tecnologies regulatòries, o RegTech, és un camp emergent que té el potencial d'impulsar moltes innovacions dins dels departaments d'operacions de moltes organitzacions avançant cap al futur.
Telemus AI™ és una empresa d'intel·ligència artificial amb seu a Austràlia que proporciona solucions avançades al govern i a les empreses. Contacti amb nosaltres avui per a una consulta gratuïta sobre com Telemus AI™ pot integrar-se a la seva organització.
Referències
[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, i Zhi-Hua Zhou
[2] - Detecció de frau amb targeta de crèdit - Kaggle
[3] - Aprenentatge automàtic en la detecció de frau amb targetes de crèdit - S Joel Franklin
