Strojové učení - Detekce podvodných transakcí pomocí izolačních lesů

V stále více propojeném digitálním světě probíhají každý den miliardy transakcí prostřednictvím různých systémů, od prodejních terminálů v tradičních obchodech až po online platební brány. Tyto systémy poskytly skvělé příležitosti a pomohly pohánět nové inovativní podniky s jedinečnými obchodními modely. Přestože existovaly významné přínosy, došlo také k prudkému nárůstu stále sofistikovanější kriminality v kyberprostoru.

Jednou z nejčastějších forem kyberkriminality je podvod s kreditními kartami, který představuje miliardy dolarů uváděné v globálním finančním sektoru. Vzhledem k počtu transakcí, které probíhají každý den, je pro finanční instituce náročné bojovat proti kyberkriminálníkům; nedávný pokrok ve strojovém učení dal vzniknout novým metodám pro identifikaci a detekci podvodných transakcí. Přesná identifikace podvodů umožňuje automatizované zmírňující strategie, jako je upozornění zákazníka a vyžádání dalšího potvrzení před provedením transakce.

Tato případová studie zkoumá přístup orientovaný na strojové učení k identifikaci podvodů s kreditními kartami. Strojové učení se prokázalo jako efektivní v mnoha různých prostředích a je také efektivní při běhu na velkých objemech dat, což je zásadní úvaha pro softwarové inženýry implementující bankovní systémy.

Řešení problému pomocí umělé inteligence

Detekce anomálií byla tradičně problémem, který spadá do oblasti statistiky. Konvenční metody předpokládají, že datový soubor spadá do normálního rozdělení. Odlehlé hodnoty jsou tedy detekovány pozorováním, které datové body se výrazně odchylují od normy. Nevýhodou této metody je, že pokud datový soubor nemá normální rozdělení, je účinnost techniky omezená.

Detekce anomálií ve strojovém učení izolující anomální bod

Později byly vyzkoušeny přístupy strojového učení využívající nedávný pokrok v algoritmech, které se ukázaly jako vysoce efektivní, škálovatelné a překonávající výše zmíněná omezení statistických metod. Přestože nejsou mimo finanční sektor široce adoptovány, mnoho z těchto metod je v současnosti zavedeno do produkce v bankovnictví.

Nový přístup byl vyvinut v roce 2008 v [1] využitím jedinečné vlastnosti odlehlých hodnot, a to že odlehlé hodnoty jsou obvykle izolovány vzhledem k většině datových bodů. Vzhledem k této vlastnosti je možné generovat náhodné oddíly obklopující datové body; čím méně oddílů je k izolaci datového bodu potřeba, tím pravděpodobnější je, že takový datový bod je odlehlá hodnota. Vyvinutý algoritmus má lineární časovou složitost a bylo prokázáno, že dobře funguje i tehdy, když je k dispozici omezené množství trénovacích dat; to kontrastuje s typickými přístupy, které vyžadují rozsáhlá trénovací data.

Animace podvodů s kreditními kartami

Přehled organizační výzvy

Vzhledem k tomu, že se denně uskutečňují miliardy transakcí, je detekce podvodných odlehlých hodnot a provozování modelu v reálném čase náročné. Vizuální kontrola ukazuje, že hledání jehly v kupce sena je jako hledání jehly. Následující obrázky znázorňují bankovní transakce v čase, přičemž legitimní jsou zelené a podvodné červené. Je náročné izolovat podvodné transakce. Finanční instituce se musí pokusit bojovat proti podvodům, aby splnily předpisy. Je to také očekávání zákazníků. Obvykle, když dojde k podvodu, finanční instituce nese náklady, aby udržela spokojenost zákazníků.

Transakce kreditními kartami - bodový graf

Transakce kreditními kartami - balónkový graf

Organizace se stále častěji obracejí na metody strojového učení jako součást své cesty digitální transformace k řešení problémů, které vyžadují škálovatelnost, jako je detekce podvodů. Mnoho ukazatelů pro detekci podvodů je obvykle uloženo v datových skladech. Forenzní účetní techniky jsou také poměrně pokročilé v určování metrik používaných jako vstupy pro modely strojového učení.

Izolační lesy byly aplikovány na datovou sadu kreditních karet Kaggle [2] a bylo prokázáno, že jsou 99% efektivní při detekci podvodných transakcí [3]. Vzhledem k tomu, že byl určen obecný přístup, který funguje, většina organizací čelí implementačním výzvám, které fungují ve velkém měřítku, spíše než aby musely provádět výzkum & vyvinout řešení.

Organizační data dostupná jako vstup pro ML

Zdroje dat používané finančními institucemi jsou následující:

Metadata zákazníků.
Časové značky a částky transakcí.
Historie transakcí zákazníků.
Geografická poloha transakcí.
Benfordův zákon.

Metodologie integrace

Následuje přehled procesu, který bychom na vysoké úrovni provedli pro analýzu takových kanálů v rámci organizace:

Identifikujte finanční metriky ze systémů ERP, které lze použít jako vstupy.
Trénovat izolační les na počátečním datasetu a do budoucna pokračovat v trénování modelu, aby se zajistilo rozpoznání novějších vzorů podvodných transakcí.
Voláním API rozhraní Telemus AI™ pro spuštění Isolation Forest na příchozích transakcích, API vrací pravděpodobnostní odhad pravděpodobnosti podvodné transakce na základě modelu.
Nastavte přizpůsobené pracovní postupy a procesy pro upozornění týmu pro podvody a také zákazníků na potenciálně podvodné transakce

Telemus AI™ má robustní modely strojového učení, takže se vaše organizace může soustředit na obchodní logiku namísto technické implementace.

Organizační aplikace

Následující uvádí další potenciální aplikace pro vaši organizaci:

Odhalování podvodných transakcí.
Odhalování podvodných nároků zaměstnanců.
Určování neobvyklého organizačního chování prostřednictvím systémů sledování lidských zdrojů.

Potenciální a realizované přínosy

Vzhledem k obrovskému rozsahu času a peněz, které finanční podvody stojí, a poškození reputace a nespokojenosti zákazníků, které mohou způsobit, aktivní prevence podvodů může ušetřit až miliony, dokonce miliardy dolarů, v závislosti na rozsahu operací. Regulační orgány také průběžně vydávají přísnější pokyny pro dodržování předpisů. Očekává se, že finanční instituce budou mít procesy, postupy a systémy k prevenci a boji proti podvodům. Regulační technologie, neboli RegTech, je vznikající oblast, která má potenciál pohánět mnoho inovací v operačních odděleních mnoha organizací v budoucnosti.

Telemus AI™ je australská společnost zabývající se umělou inteligencí, která poskytuje pokročilá řešení pro vládu a podniky. Kontaktujte nás ještě dnes pro bezplatnou konzultaci o tom, jak může být Telemus AI™ integrována do vaší organizace.