Koneoppiminen - Petollisten tapahtumien tunnistaminen eristysmetsillä

Yhä enemmän toisiinsa kytkeytyvässä digitaalisessa maailmassa miljardeja tapahtumia esiintyy joka päivä eri järjestelmien kautta, perinteisten kauppojen myyntipäätteistä verkkomaksuportteihin. Nämä järjestelmät ovat tarjonneet suuria mahdollisuuksia ja auttaneet ajamaan uusia innovatiivisia yrityksiä ainutlaatuisilla liiketoimintamalleilla. Vaikka merkittäviä hyötyjä on ollut, myös yhä monimutkaisemman verkkorikollisuuden määrä on kasvanut jyrkästi.

Yksi yleisimmistä verkkorikollisuuden muodoista on luottokorttipetos, joka kattaa miljardeja dollareita globaalissa finanssialalla. Ottaen huomioon tapahtuvien transaktioiden määrän joka päivä, finanssilaitosten on haastavaa taistella verkkorikollisia vastaan; viimeaikaiset koneoppimisen edistysaskeleet ovat antaneet nousun uusille menetelmillä petollisten transaktioiden tunnistamiseksi ja havaitsemiseksi. Tarkka petosten tunnistaminen mahdollistaa automatisoidut lievennysstrategiat, kuten asiakkaan hälyttämisen ja lisävahvistuksen pyytämisen ennen transaktion jatkamista.

Tämä tapaustutkimus tutkii koneoppimiseen perustuvaa lähestymistapaa luottokorttipetosten tunnistamiseen. Koneoppiminen on osoittautunut tehokkaaksi monissa eri ympäristöissä, ja se on myös tehokas suurten tietomäärien käsittelyssä, mikä on välttämätön näkökohta pankkijärjestelmiä toteuttaville ohjelmistoinsinööreille.

Ongelman ratkaiseminen tekoälyn avulla

Poikkeamien havaitseminen on perinteisesti ollut tilastotieteen alaan kuuluva ongelma. Perinteiset menetelmät olettavat, että aineisto noudattaa normaalijakaumaa. Näin ollen poikkeamat havaitaan tarkkailemalla, mitkä datapisteet poikkeavat merkittävästi normaalista. Tämän menetelmän haittana on, että jos aineisto ei ole normaalijakautunut, tekniikan tehokkuus on rajallinen.

Koneoppimisen poikkeamien tunnistus eristää poikkeavan pisteen

Myöhemmin kokeiltiin koneoppimislähestymistapoja, joissa hyödynnettiin viimeaikaisia algoritmisia edistysaskeleita, jotka osoittautuivat erittäin tehokkaiksi, skaalautuviksi ja voittivat edellä mainitut tilastollisten menetelmien rajoitukset. Vaikka niitä ei ole laajasti otettu käyttöön finanssialan ulkopuolella, monet näistä menetelmistä on tällä hetkellä tuotantotasoistettu pankkitoiminnassa.

Uusi lähestymistapa kehitettiin vuonna 2008 viitteessä [1] hyödyntämällä poikkeamien ainutlaatuista ominaisuutta, joka on se, että poikkeamat ovat tyypillisesti eristettyjä suhteessa enemmistöön datapisteistä. Tämän ominaisuuden perusteella on mahdollista luoda satunnaisia osioita datapisteiden ympärille sulkeakseen datapisteen; mitä vähemmän osioita tarvitaan datapisteen eristämiseen, sitä todennäköisemmin kyseinen datapiste on poikkeama. Kehitetty algoritmi on lineaarinen aikakompleksisuudeltaan, ja sen on todistettu toimivan hyvin myös silloin, kun käytettävissä on rajallinen koulutusdata; tämä on vastakohta tyypillisille lähestymistavoille, jotka vaativat laajaa koulutusdataa.

Luottokorttipetos-animaatio

Yleiskatsaus organisaation haasteeseen

Koska miljardeja tapahtumia tapahtuu päivittäin, petollisten poikkeamien havaitseminen ja mallin suorittaminen reaaliajassa on haastavaa. Visuaalinen tarkastus korostaa, että neulan löytäminen heinäsuovasta on kuin neulan löytämistä. Seuraavat kuvat havainnollistavat pankkitapahtumia ajan kuluessa, joissa lailliset ovat vihreitä ja petolliset punaisia. Petollisten tapahtumien eristäminen on haastavaa. Finanssilaitosten on pyrittävä torjumaan petoksia säädösten noudattamiseksi. Se on myös asiakkaiden odotus. Yleensä, kun petos tapahtuu, finanssilaitos maksaa kustannukset asiakastyytyväisyyden ylläpitämiseksi.

Luottokorttitapahtumat hajontakaavio

Luottokorttitapahtumat pakattu kuplakaavio

Organisaatiot kääntyvät yhä useammin koneoppimismenetelmien puoleen osana digitaalisen transformaation matkaansa ratkaistakseen ongelmia, jotka vaativat skaalautuvuutta, kuten petosten tunnistamista. Monet petosten tunnistamisen merkit on tyypillisesti tallennettu tietovarastoihin. Rikostilintekniikat ovat myös varsin edistyneitä määritettäessä koneoppimismalleihin syötteinä käytettäviä mittareita.

Eristysmetsiä (isolation forests) on sovellettu Kaggle-luottokorttidatasettiin [2], ja niiden on osoitettu olevan 99 % tehokkaita petollisten transaktioiden tunnistamisessa [3]. Koska on määritetty yleinen lähestymistapa, joka toimii, useimmat organisaatiot kohtaavat skaalautuvan toteutuksen haasteita sen sijaan, että niiden tarvitsisi tehdä tutkimusta & kehitä ratkaisu.

Koneoppimisen syötteenä käytettävissä oleva organisaation data

Rahoituslaitosten käyttämät tietolähteet ovat seuraavat:

Asiakkaan metatiedot.
Tapahtumien aikaleimat ja summat.
Asiakkaiden tapahtumahistoria.
Tapahtumien maantieteellinen sijainti.
Benfordin laki.

Integrointimenetelmä

Seuraavassa on yleiskatsaus korkealla tasolla suorittamastamme prosessista tällaisten syötteiden analysoimiseksi organisaation sisällä:

Tunnista ERP-järjestelmien talousmittarit, joita voidaan käyttää syötteinä.
Kouluta eristysmetsä alkuperäisellä tietojoukolla ja jatka mallin kouluttamista tulevaisuudessa sen varmistamiseksi, että se tunnistaa uusimmat petollisten tapahtumien kaavat.
Kutsumalla Telemus AI™ -rajapintoja suorittamaan Isolation Forest -algoritmi saapuville transaktioille, API palauttaa todennäköisyysarvion petollisen transaktion todennäköisyydestä mallin perusteella.
Määritä räätälöidyt työnkulut ja prosessit petosryhmän sekä asiakkaiden hälyttämiseksi mahdollisesti petollisista tapahtumista

Telemus AI™:lla on vankat koneoppimismallit, jotta organisaatiosi voi keskittyä liiketoimintalogiikkaan teknisen toteutuksen sijaan.

Organisaation sovellukset

Seuraavassa on luettelo muista mahdollisista sovelluksista organisaatiollesi:

Petollisten tapahtumien havaitseminen.
Työntekijöiden petollisten vaatimusten havaitseminen.
Epätavallisen organisaation toiminnan määrittäminen henkilöstöhallinnon seurantajärjestelmien avulla.

Mahdolliset ja toteutuneet hyödyt

Ottaen huomioon valtavan ajan ja rahan, jonka taloudellinen petos maksaa, sekä sen aiheuttaman mainehaitan ja asiakastyytymättömyyden, petosten aktiivinen estäminen voi säästää jopa miljoonia, jopa miljardeja dollareita toiminnan laajuudesta riippuen. Sääntelyviranomaiset julkaisevat myös jatkuvasti tiukempia vaatimustenmukaisuusohjeita. Odotus on, että finanssilaitoksilla on prosessit, menettelytavat ja järjestelmät petosten estämiseksi ja torjumiseksi. Sääntelyteknologiat eli RegTech on nouseva ala, jolla on potentiaalia ajaa monia innovaatioita monien organisaatioiden operatiivisissa osastoissa tulevaisuudessa.

Telemus AI™ on Australiassa toimiva tekoälyyritys, joka tarjoaa edistyneitä ratkaisuja hallituksille ja yrityksille. Ota meihin yhteyttä jo tänään saadaksesi ilmaisen konsultaation siitä, miten Telemus AI™ voidaan integroida organisaatioosi.