Μηχανική Μάθηση - Εντοπισμός Απατηλών Συναλλαγών με Δάσης Απομόνωσης

Μια νέα προσέγγιση αναπτύχθηκε το 2008 στο [1] αξιοποιώντας μια μοναδική ιδιότητα των ακραίων τιμών, ότι δηλαδή οι ακραίες τιμές είναι συνήθως απομονωμένες σε σχέση με την πλειοψηφία των σημείων δεδομένων. Δεδομένης αυτής της ιδιότητας, είναι δυνατόν να δημιουργηθούν τυχαίες διαχωρίσεις γύρω από τα σημεία δεδομένων για να περικλείσουν ένα σημείο δεδομένων· όσο λιγότερες διαχωρίσεις απαιτούνται για την απομόνωση ενός σημείου δεδομένων, τόσο πιο πιθανό είναι ένα τέτοιο σημείο δεδομένων να αποτελεί ακραία τιμή. Ο αλγόριθμος που αναπτύχθηκε έχει γραμμική χρονική πολυπλοκότητα και αποδείχθηκε ότι λειτουργεί καλά ακόμα και όταν διαθέτονται περιορισμένα δεδομένα εκπαίδευσης· αυτό έρχεται σε αντίθεση με τις τυπικές προσεγγίσεις που απαιτούν εκτεταμένα δεδομένα εκπαίδευσης.

Επισκόπηση της Οργανωτικής Πρόκλησης

Εκτιμώντας ότι δισεκατομμύρια συναλλαγές πραγματοποιούνται καθημερινά, ο εντοπισμός δόλιων ακραίων τιμών και η εκτέλεση ενός μοντέλου σε πραγματικό χρόνο είναι απαιτητικό. Μια οπτική επιθεώρηση αναδεικνύει ότι το να βρεις μια βελόνα σε έναν σωρό από άχυρα είναι σαν να βρίσκεις μια βελόνα. Οι παρακάτω εικόνες απεικονίζουν τραπεζικές συναλλαγές με την πάροδο του χρόνου, με τις νόμιμες σε πράσινο χρώμα και τις δόλιες σε κόκκινο. Είναι απαιτητικό να απομονωθούν οι δόλιες συναλλαγές. Οι χρηματοπιστωτικές οργανώσεις υποχρεούνται να επιχειρήσουν να καταπολεμήσουν την απάτη για να συμμορφωθούν με τους κανονισμούς. Είναι επίσης μια προσδοκία των πελατών. Συνήθως, όταν συμβαίνει απάτη, η χρηματοπιστωτική οργάνωση πληρώνει το κόστος για να διατηρήσει την ικανοποίηση των πελατών.

Οι οργανισμοί στρέφονται ολοένα και περισσότερο σε μεθόδους μηχανικής μάθησης ως μέρος των ταξιδιών ψηφιακής τους μετασχηματισμού για την επίλυση προβλημάτων που απαιτούν κλίμακα, όπως η ανίχνευση απάτης. Πολλοί από τους δείκτες για την ανίχνευση απάτης αποθηκεύονται συνήθως σε αποθετήρια δεδομένων. Οι τεχνικές εγκληματολογικής λογιστικής είναι επίσης αρκετά προηγμένες στον προσδιορισμό μετρικών που χρησιμοποιούνται ως είσοδοι για μοντέλα μηχανικής μάθησης.

Τα δάση απομόνωσης έχουν εφαρμοστεί στο σύνολο δεδομένων πιστωτικών καρτών του Kaggle [2] και έχει αποδειχθεί ότι είναι 99% αποτελεσματικά στην ανίχνευση δόλιων συναλλαγών [3]. Δεδομένου ότι έχει καθοριστεί μια γενική προσέγγιση που λειτουργεί, οι περισσότεροι οργανισμοί αντιμετωπίζουν προκλήσεις υλοποίησης που λειτουργούν σε μεγάλη κλίμακα, αντί να πρέπει να κάνουν έρευνα & αναπτύσσω μια λύση.

Οργανωτικά Δεδομένα Διαθέσιμα ως Είσοδος ML

Οι πηγές δεδομένων που χρησιμοποιούνται από χρηματοπιστωτικά ιδρύματα είναι οι εξής:

• Μεταδεδομένα πελατών.
• Χρονικές σημάνσεις και ποσά συναλλαγών.
• Ιστορικό συναλλαγών πελατών.
• Η γεωγραφική τοποθεσία των συναλλαγών.
• Νόμος του Benford.

Μεθοδολογία Ενσωμάτωσης

Ακολουθεί μια επισκόπηση της διαδικασίας που θα εκτελέσουμε σε υψηλό επίπεδο για την ανάλυση τέτοιων ροών εντός ενός οργανισμού:

• Εντοπίστε οικονομικούς δείκτες από συστήματα ERP που μπορούν να χρησιμοποιηθούν ως είσοδοι.
• Εκπαιδεύστε ένα δάσος απομόνωσης σε ένα αρχικό σύνολο δεδομένων και συνεχίστε να εκπαιδεύετε το μοντέλο στο μέλλον για να διασφαλίσετε ότι ανιχνεύει τα πιο πρόσφατα μοτίβα δόλιων συναλλαγών.
• Καλώντας τα API του Telemus AI™ για να εκτελέσει το Isolation Forest σε εισερχόμενες συναλλαγές, το API επιστρέφει μια πιθανολογική εκτίμηση της πιθανότητας μιας δόλιας συναλλαγής με βάση το μοντέλο.
• Ρύθμιση προσαρμοσμένων ροών εργασίας και διαδικασιών για την ειδοποίηση της ομάδας απάτης καθώς και των πελατών για δυνητικά δόλιες συναλλαγές

Η Telemus AI™ διαθέτει ισχυρά μοντέλα μηχανικής μάθησης, ώστε ο οργανισμός σας να μπορεί να επικεντρωθεί στην επιχειρηματική λογική αντί για την τεχνική υλοποίηση.

Οργανωτικές Εφαρμογές

Ακολουθεί μια λίστα με άλλες πιθανές εφαρμογές για τον οργανισμό σας:

• Εντοπισμός απατηλών συναλλαγών.
• Εντοπισμός απατηλών απαιτήσεων εργαζομένων.
• Προσδιορισμός ασυνήθιστης οργανωτικής συμπεριφοράς μέσω συστημάτων παρακολούθησης ανθρώπινων πόρων.

Δυνητικά και Πραγματοποιημένα Οφέλη

Δεδομένου του τεράστιου μεγέθους χρόνου και χρημάτων που κοστίζει η χρηματοοικονομική απάτη και της φθοράς της φήμης και της δυσαρέσκειας των πελατών που μπορεί να προκαλέσει, η ενεργή πρόληψη της απάτης μπορεί να εξοικονομήσει έως και εκατομμύρια, ακόμα και δισεκατομμύρια δολάρια, ανάλογα με την κλίμακα της λειτουργίας. Οι ρυθμιστικές αρχές επίσης συνεχώς εκδίδουν πιο αυστηρές κατευθυντήριες γραμμές συμμόρφωσης. Υπάρχει η προσδοκία ότι τα χρηματοπιστωτικά ιδρύματα διαθέτουν διαδικασίες, διαδικασίες και συστήματα για την πρόληψη και την καταπολέμηση της απάτης. Οι ρυθμιστικές τεχνολογίες, ή RegTech, είναι ένας αναδυόμενος τομέας που έχει τη δυνατότητα να οδηγήσει σε πολλές καινοτομίες στα τμήματα λειτουργιών πολλών οργανισμών προχωρώντας στο μέλλον.

Η Telemus AI™ είναι μια εταιρεία τεχνητής νοημοσύνης με έδρα την Αυστραλία που παρέχει προηγμένες λύσεις σε κυβερνήσεις και επιχειρήσεις. Επικοινωνήστε μαζί μας σήμερα για μια δωρεάν συμβουλευτική σχετικά με το πώς η Telemus AI™ μπορεί να ενσωματωθεί στον οργανισμό σας.

Αναφορές

[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, και Zhi-Hua Zhou
[2] - Εντοπισμός απάτης πιστωτικών καρτών - Kaggle
[3] - Μηχανική Μάθηση στην Ανίχνευση Απάτης Πιστωτικών Καρτών - S Joel Franklin