मशीन लर्निंग - आइसोलेशन फ़ॉरेस्ट के साथ धोखाधड़ी वाले लेन-देन का पता लगाना

2008 में [1] में आउटलेरियर्स के एक अद्वितीय गुण का फायदा उठाकर एक नया दृष्टिकोण विकसित किया गया था, कि आउटलेरियर्स आमतौर पर अधिकांश डेटा बिंदुओं के सापेक्ष पृथक होते हैं। इस गुण को देखते हुए, डेटा बिंदु को घेरने के लिए डेटा बिंदुओं के चारों ओर यादृच्छिक विभाजन उत्पन्न करना संभव है, किसी डेटा बिंदु को अलग करने के लिए जितने कम विभाजन की आवश्यकता होती है, उस डेटा बिंदु के आउटलेरियर होने की संभावना उतनी ही अधिक होती है। विकसित एल्गोरिदम में रैखिक समय जटिलता है और यह सिद्ध हुआ है कि यह तब भी अच्छी तरह से काम करता है जब सीमित प्रशिक्षण डेटा उपलब्ध हो; यह विशिष्ट दृष्टिकोणों के विपरीत है जिनके लिए व्यापक प्रशिक्षण डेटा की आवश्यकता होती है।

संगठनात्मक चुनौती का अवलोकन

यह ध्यान में रखते हुए कि रोज़ाना अरबों लेन-देन होते हैं, धोखाधड़ी के आउटलायर का पता लगाना और रीयल-टाइम में मॉडल चलाना चुनौतीपूर्ण है। एक दृश्य निरीक्षण यह उजागर करता है कि तिनके के ढेर में सुई ढूँढना सुई ढूँढने जैसा है। निम्नलिखित छवियाँ समय के साथ बैंकिंग लेन-देन को दर्शाती हैं, वैध लेन-देन हरे रंग में और धोखाधड़ी वाले लाल रंग में। धोखाधड़ी वाले लेन-देन को अलग करना चुनौतीपूर्ण है। वित्तीय संस्थाओं को नियमों का पालन करने के लिए धोखाधड़ी से लड़ने का प्रयास करना आवश्यक होता है। यह ग्राहकों की अपेक्षा भी है। आमतौर पर, जब धोखाधड़ी होती है, तो ग्राहक संतुष्टि बनाए रखने के लिए वित्तीय संस्था लागत का भुगतान करती है।

संगठन अपनी डिजिटल परिवर्तन यात्रा के हिस्से के रूप में ऐसी समस्याओं को हल करने के लिए मशीन लर्निंग विधियों की ओर बढ़ रहे हैं जिनके लिए स्केल की आवश्यकता होती है जैसे धोखाधड़ी का पता लगाना। धोखाधड़ी का पता लगाने वाले कई मेकर्स आमतौर पर डेटा वेयरहाउस के भीतर संग्रहीत होते हैं। फॉरेंसिक अकाउंटिंग तकनीकें भी मशीन लर्निंग मॉडल के इनपुट के रूप में उपयोग किए जाने वाले मेट्रिक्स को निर्धारित करने में काफी उन्नत हैं।

आइसोलेशन फॉरेस्ट को Kaggle क्रेडिट कार्ड डेटासेट [2] पर लागू किया गया है और धोखाधड़ी वाले लेन-देन का पता लगाने में 99% प्रभावी होने का प्रदर्शन किया गया है [3]। यह देखते हुए कि एक सामान्य दृष्टिकोण निर्धारित कर दिया गया है जो काम करता है, अधिकांश संगठनों को बड़े पैमाने पर काम करने वाली कार्यान्वयन चुनौतियों का सामना करना पड़ता है बजाय इसके कि उन्हें शोध करना पड़े & एक समाधान विकसित करें।

ML इनपुट के रूप में उपलब्ध संगठनात्मक डेटा

वित्तीय संस्थानों द्वारा उपयोग किए जाने वाले डेटा स्रोत निम्नलिखित हैं:

• ग्राहक मेटा-डेटा.
• लेन-देन के टाइमस्टैम्प और राशि।
• ग्राहकों का लेन-देन इतिहास।
• लेन-देन की भौगोलिक स्थिति।
• बेनफोर्ड का नियम।

एकीकरण कार्यप्रणाली

किसी संगठन के भीतर ऐसे फ़ीड का विश्लेषण करने के लिए हम उच्च स्तर पर निष्पादित करेंगे प्रक्रिया का एक अवलोकन निम्नलिखित है:

• ERP प्रणालियों से वित्तीय मेट्रिक्स की पहचान करें जिनका उपयोग इनपुट के रूप में किया जा सकता है।
• प्रारंभिक डेटासेट पर एक आइसोलेशन फॉरेस्ट को प्रशिक्षित करें, और यह सुनिश्चित करने के लिए कि यह हाल के धोखाधड़ी वाले लेन-देन पैटर्न का पता लगाता है, भविष्य में मॉडल को प्रशिक्षित करते रहें।
• आने वाले लेन-देन पर आइसोलेशन फ़ॉरेस्ट चलाने के लिए Telemus AI™ APIs को कॉल करने पर, API मॉडल के आधार पर एक धोखाधड़ी के लेन-देन की संभावना का संभाव्य अनुमान लौटाता है।
• संभावित धोखाधड़ी वाले लेनदेन पर धोखाधड़ी टीम के साथ-साथ ग्राहकों को सतर्क करने के लिए अनुकूलित वर्कफ़्लो और प्रक्रियाएँ सेट करें

Telemus AI™ के पास मजबूत मशीन लर्निंग मॉडल हैं ताकि आपका संगठन तकनीकी कार्यान्वयन के बजाय व्यवसाय तर्क पर ध्यान केंद्रित कर सके।

संगठनात्मक अनुप्रयोग

आपके संगठन के लिए अन्य संभावित अनुप्रयोगों की निम्नलिखित सूची:

• धोखाधड़ी वाले लेन-देन का पता लगाना।
• कर्मचारियों के धोखाधड़ी वाले दावों का पता लगाना।
• मानव संसाधन ट्रैकिंग सिस्टम के माध्यम से असामान्य संगठनात्मक व्यवहार का निर्धारण।

संभावित और महसूस किए गए लाभ

वित्तीय धोखाधड़ी के कारण होने वाली विशाल समय और धन की हानि और इसके कारण होने वाली प्रतिष्ठात्मक क्षति तथा ग्राहक असंतोष को देखते हुए, सक्रिय रूप से धोखाधड़ी को रोकने से संचालन के पैमाने के आधार पर लाखों, यहाँ तक कि अरबों डॉलर तक की बचत हो सकती है। नियामक निकाय भी लगातार अधिक कठोर अनुपालन दिशानिर्देश लागू कर रहे हैं। यह अपेक्षा की जाती है कि वित्तीय संस्थाओं के पास धोखाधड़ी को रोकने और उससे लड़ने के लिए प्रक्रियाएँ, प्रक्रियाएँ और प्रणालियाँ हों। नियामक प्रौद्योगिकियाँ, या RegTech एक उभरता हुआ क्षेत्र है जिसमें भविष्य में आगे बढ़ते हुए कई संगठनों के संचालन विभागों के भीतर कई नवाचारों को चलाने की क्षमता है।

Telemus AI™ एक ऑस्ट्रेलियाई स्थित कृत्रिम बुद्धिमत्ता कंपनी है जो सरकार और उद्यम को उन्नत समाधान प्रदान करती है। आज ही हमसे संपर्क करें और जानें कि कैसे Telemus AI™ को आपके संगठन में एकीकृत किया जा सकता है, इस पर निःशुल्क परामर्श प्राप्त करें।

संदर्भ

[1] - आइसोलेशन फॉरेस्ट - फेई टोनी लियू, काई मिंग टिंग, और ज़ि-हुआ झोऊ
[2] - क्रेडिट कार्ड धोखाधड़ी पहचान - Kaggle
[3] - क्रेडिट कार्ड धोखाधड़ी पहचान में मशीन लर्निंग - S Joel Franklin