Masinõpe - Petturlike tehingute tuvastamine isoleerimismetsadega

Üha enam omavahel ühendatud digitaalses maailmas toimuvad igapäeval miljardite kaupa tehingud erinevate süsteemide kaudu, alates traditsiooniliste poodide kassaterminalidest kuni veebipõhiste maksete lüüsteni. Need süsteemid on pakkunud suurepäraseid võimalusi ja aidanud juhtida uusi uuenduslikke ettevõtteid ainulaadsete ärimudelitega. Kuigi sellest on olnud märkimisväärset kasu, on ka kübrikuritegevuse, mis muutub üha keerukamaks, arv järsult kasvanud.

Üks levinumaid küberrünnakute vorme on krediitkaardipettus, mis moodustab globaalselt finantsektorisse kantud miljardeid dollareid. Arvestades iga päeva toimuva tehingute hulga, on finantsasutustel keeruline küberrünnakutega võidelda; hiljutised arengud masinõppes on andnud tõusu uutele meetoditele petlike tehingute tuvastamiseks ja avastamiseks. Täpne pettuse tuvastamine võimaldab automatiseeritud leevendusstrateegiaid, nagu kliendi hoiatamine ja lisakinnituse taotlemine enne tehingu jätkamist.

See juhtumiuuring uurib masinõppele orienteeritud lähenemisviisi krediitkaardipettuse tuvastamisel. Masinõpe on osutunud tõhusaks paljudes erinevates olukordades ja on samuti tõhus suurte andmemahtudega töötamisel, mis on tarkvaraarendajate jaoks pangasüsteemide rakendamisel oluline kaalutlus.

Probleemi lahendamine tehisintellekti abil

Anomaaliate tuvastamine on traditsiooniliselt olnud statistika valdkonna probleem. Tavapärased meetodid eeldavad, et andmekogum jääb normaaljaotuse piiresse. Seega tuvastatakse erandid, jälgides, millised andmepunktid erinevad normist oluliselt. Selle meetodi puuduseks on see, et kui andmekogum ei ole normaaljaotusega, on tehnika tõhusus piiratud.

Masinõppe anomaalia tuvastamine, mis isoleerib anomaalse punkti

Hiljem prooviti masinõppe lähenemisviise, mis kasutavad hiljutisi algoritmilisi edusamme, mis osutusid väga tõhusateks, skaleeruvateks ja ületavad eespool mainitud statistiliste meetodite piirangud. Kuigi need ei ole finantsektorist väljaspool laialdaselt kasutusele võetud, on paljud neist meetoditest praegu panganduses tootmisse juurutatud.

Uudne lähenemine arendati 2008. aastal viites [1], kasutades ära anomaaliate unikaalset omadust, mis seisneb selles, et anomaaliad on tavaliselt isoleeritud suurema osa andmepunktide suhtes. Arvestades seda omadust, on võimalik genereerida juhuslikke partitsioone andmepunktide ümber, et neid ümbritseda; mida vähem partitsioone on vaja andmepunkti isoleerimiseks, seda tõenäolisem on, et selline andmepunkt on anomaalia. Arendatud algoritmil on lineaarne ajakomplekssus ja tõestati, et see toimib hästi isegi siis, kui treeningandmeid on piiratult; see kontrastib tüüpiliste lähenemistega, mis nõuavad ulatuslikke treeningandmeid.

Krediitkaardipettuse animatsioon

Ülevaade organisatsioonilisest väljakutsest

Arvestades, et iga päev toimub miljardeid tehinguid, on petlike erandite tuvastamine ja reaalajas mudeli käitamine keeruline. Visuaalne ülevaade näitab, et nõela leidmine heinakuhjas on nagu nõela leidmine. Järgmised pildid illustreerivad pangatehinguid aja jooksul, kus seaduslikud on rohelised ja petlikud punased. Petlike tehingute eraldamine on keeruline. Finantsasutused peavad proovima pettusega võidelda, et täita eeskirju. See on ka klientide ootus. Tavaliselt, kui pettus toimub, kannab finantsasutus kulud, et säilitada klientide rahulolu.

Krediitkaarditehingute hajuvusdiagramm

Krediitkaarditehingute pakitud mullide diagramm

Organisatsioonid pöörduvad üha enam masinõppe meetodite poole osana oma digitaalse transformatsiooni teekonnast, et lahendada probleeme, mis nõuavad skaleeritavust, nagu pettuste tuvastamine. Paljud pettuste tuvastamise näitajad on tavaliselt salvestatud andmeladudesse. Kohtuarvestuse tehnikad on samuti üsna arenenud masinõppemudelite sisendina kasutatavate mõõdikute määramisel.

Isolatsioonimetsi on rakendatud Kaggle'i krediitkaardi andmekogumile [2] ja on näidanud, et need on 99% tõhusad petlike tehingute tuvastamisel [3]. Arvestades, et kindlustatud on üldine lähenemisviis, mis toimib, seisavad enamik organisatsioone silmitsi rakendamise raskustega, mis toimivad suuremahuliselt, pigem kui nad peaksid uurima & arendada lahendust.

ML sisendina kättesaadavad organisatsioonilised andmed

Finantsasutuste poolt kasutatavad andmeallikad on järgmised:

Kliendi metaandmed.
Tehingute ajatemplid ja summad.
Klientide tehingute ajalugu.
Tehingute geograafiline asukoht.
Benfordi seadus.

Integreerimise metoodika

Järgnev on ülevaade protsessist, mida me teeksime kõrgel tasemel selliste voogude analüüsimiseks organisatsioonis:

Tuvasta ERP-süsteemide finantsmõõdikud, mida saab sisenditena kasutada.
Treenige algse andmekogumi põhjal isoleerimismetsa ja jätkake mudeli treenimist ka tulevikus, et tagada, et see tuvastab uuemad petturlike tehingute mustrid.
Telemus AI™ API-de kutsumine, et käitada sissetulevatel tehingutel Isolation Forest algoritmi, API tagastab pettusetehingu tõenäosuse probabilistliku hinnangu, mis põhineb mudelil.
Seadistage kohandatud töövood ja protsessid, et teavitada pettuste meeskonda ning ka klienti potentsiaalselt petturlikest tehingutest

Telemus AI™ pakub tugevaid masinõppemudeleid, nii et teie organisatsioon saab keskenduda äriloogikale, mitte tehnilisele rakendamisele.

Organisatsioonilised rakendused

Järgnev loetleb teie organisatsiooni muud potentsiaalsed rakendused:

Petlike tehingute tuvastamine.
Töötajate petlike nõuete tuvastamine.
Ebatavalise organisatsioonilise käitumise kindlaksmääramine inimressursside jälgimissüsteemide kaudu.

Potentsiaalsed ja realiseerunud eelised

Arvestades tohutut aja- ja rahakulu, mida finantspettused põhjustavad, ning mainekahju ja kliendirahulolu langust, mida see võib põhjustada, võib pettuste aktiivne ennetamine säästa miljoneid, isegi miljardeid dollareid, sõltuvalt tegevuse ulatusest. Reguleerivad organid avaldavad ka pidevalt rangemaid nõuetele vastavuse juhiseid. Eeldatakse, et finantsasutustel on protsessid, protseduurid ja süsteemid pettuste ennetamiseks ja vastu võitlemiseks. Reguleerivad tehnoloogiad ehk RegTech on arenev valdkond, millel on potentsiaali juhtida palju innovatsioone paljude organisatsioonide tegevusosakondades tulevikku suundudes.

Telemus AI™ on Austraalias baseeruv tehisintellekti ettevõte, mis pakub valitsusele ja ettevõtetele arenenud lahendusi. Võtke täna meiega ühendust tasuta konsultatsiooni saamiseks selle kohta, kuidas Telemus AI™ saab teie organisatsiooni integreerida.