Strojno učenje - Otkrivanje prijevarnih transakcija pomoću izolacijskih šuma

U sve više međusobno povezanom digitalnom svijetu, milijarde transakcija odvija se svakodnevno putem različitih sustava, od terminala za prodajna mjesta u tradicionalnim trgovinama do mrežnih platnih portala. Ti su sustavi pružili velike prilike i pomogli pokretanju novih inovativnih poduzeća s jedinstvenim poslovnim modelima. Iako su postojale značajne prednosti, došlo je i do oštrog porasta sve sofisticiranijeg kibernetičkog kriminala.

Jedan od najčešćih oblika kibernetičkog kriminala je prijevara s kreditnim karticama, koja predstavlja milijarde dolara prijavljenih u financijskom sektoru globalno. S obzirom na broj transakcija koje se odvijaju svaki dan, financijskim institucijama je izazovno boriti se protiv kibernetičkih kriminalaca; nedavni napreci u strojnom učenju doveli su do novih metoda za identificiranje i otkrivanje prijevarnih transakcija. Točno identificiranje prijevara omogućuje automatizirane strategije ublažavanja, poput obavještavanja kupca i traženja daljnje potvrde prije nastavka transakcije.

Ova studija slučaja istražuje pristup orijentiran na strojno učenju za identifikaciju prijevara s kreditnim karticama. Strojno učenje se pokazalo učinkovitim u mnogim različitim okruženjima i također je učinkovito u radu s velikim količinama podataka, što je bitan faktor za inženjere softvera koji implementiraju bankovne sustave.

Rješavanje problema putem umjetne inteligencije

Otkrivanje anomalija tradicionalno je bio problem koji spada u područje statistike. Konvencionalne metode pretpostavljaju da skup podataka slijedi normalnu distribuciju. Dakle, outliere se otkriva promatranjem koje točke podataka značajno odstupaju od norme. Nedostatak ove metode je u tome što ako skup podataka nije normalno distribuiran, učinkovitost tehnike je ograničena.

Otkrivanje anomalija strojnim učenjem izolira anomalnu točku

Kasnije su pokušani pristupi strojnog učenja koji koriste nedavna algoritamska unapređenja, što se pokazalo vrlo učinkovitim, skalabilnim i prevladava gorenavedena ograničenja statističkih metoda. Iako nisu široko prihvaćeni izvan financijskog sektora, mnoge od ovih metoda trenutno su implementirane u proizvodnji u bankarstvu.

Novi pristup razvijen je 2008. u [1] iskorištavanjem jedinstvenog svojstva outliera, a to je da su outlieri tipično izolirani u odnosu na većinu točaka podataka. S obzirom na to svojstvo, moguće je generirati nasumične particije koje okružuju točke podataka kako bi se zatvorila točka podataka; što je manje particija potrebno za izolaciju točke podataka, to je vjerojatnije da je takva točka podataka outlier. Razvijeni algoritam ima linearnu vremensku složenost i dokazano dobro funkcionira čak i kada je dostupan ograničen skup podataka za treniranje; to je u suprotnosti s tipičnim pristupima koji zahtijevaju opsežne podatke za treniranje.

Animacija prijevare kreditnom karticom

Pregled organizacijskog izazova

S obzirom na to da se milijarde transakcija odvija svakodnevno, otkrivanje prijevarnih iznimaka i pokretanje modela u stvarnom vremenu predstavlja izazov. Vizualni pregled ističe da je pronalaženje igle u plastu sijena poput pronalaženja igle. Sljedeće slike prikazuju bankovne transakcije tijekom vremena, s legitimnim zelenim i prijevarnim crvenim. Izazovno je izolirati prijevarne transakcije. Financijske institucije su dužne pokušati suzbiti prijevare kako bi se pridržavale propisa. To je također očekivanje korisnika. Obično, kada dođe do prijevare, financijska institucija snosi trošak kako bi održala zadovoljstvo korisnika.

Transakcije kreditnim karticama Scatter Plot graf

Transakcije kreditnim karticama Packed Bubble graf

Organizacije se sve više okreću metodama strojnog učenja kao dijelu svojih putova digitalne transformacije kako bi riješile probleme koji zahtijevaju skaliranje, poput otkrivanja prijevara. Mnogi od markera za otkrivanje prijevara obično su pohranjeni unutar skladišta podataka. Forenzične računovodstvene tehnike također su prilično napredne u određivanju metrika koje se koriste kao ulazi za modele strojnog učenja.

Izolacijske šume primijenjene su na Kaggle skup podataka o kreditnim karticama [2] i pokazalo se da su 99% učinkovite u otkrivanju prijevarnih transakcija [3]. S obzirom na to da je utvrđen opći pristup koji funkcionira, većina organizacija suočava se s izazovima implementacije koji rade na velikoj skali, umjesto da moraju istraživati & razviti rješenje.

Organizacijski podaci dostupni kao ML ulaz

Izvori podataka koje koriste financijske institucije su sljedeći:

Metapodaci kupaca.
Vremenske oznake i iznosi transakcija.
Povijest transakcija kupaca.
Geografska lokacija transakcija.
Benfordov zakon.

Metodologija integracije

Slijedi pregled postupka koji bismo izveli na visokoj razini za analizu takvih izvora unutar organizacije:

Identificirajte financijske metrike iz ERP sustava koji se mogu koristiti kao ulazi.
Trenirajte izolacijsku šumu na početnom skupu podataka i nastavite trenirati model u budućnosti kako biste osigurali da otkriva novije obrasce prijevarnih transakcija.
Pozivanjem na Telemus AI™ API-je za pokretanje Izolacijske šume nad dolaznim transakcijama, API vraća vjerojatnosnu procjenu vjerojatnosti prijevarne transakcije na temelju modela.
Postavite prilagođene tijekove rada i procese za upozoravanje tima za borbu protiv prijevara, kao i kupaca, o potencijalno prijevarnim transakcijama

Telemus AI™ ima robusne modele strojnog učenja koji čitaju tako da se vaša organizacija može usredotočiti na poslovnu logiku umjesto na tehničku implementaciju.

Organizacijske primjene

Sljedeće navodi druge potencijalne aplikacije za vašu organizaciju:

Otkrivanje prijevarnih transakcija.
Otkrivanje lažnih zahtjeva zaposlenika.
Utvrđivanje neobičnog organizacijskog ponašanja putem sustava za praćenje ljudskih resursa.

Potencijalne i ostvarene prednosti

S obzirom na golemu veličinu vremena i novca koji financijske prijevare koštaju te štetu na ugledu i nezadovoljstvo kupaca koje mogu uzrokovati, aktivno sprječavanje prijevara može uštedjeti do milijune, pa čak i milijarde dolara, ovisno o opsegu djelovanja. Regulatorna tijela također kontinuirano izdaju strože smjernice o sukladnosti. Očekuje se da financijske institucije imaju procese, postupke i sustave za sprječavanje i borbu protiv prijevara. Regulacijske tehnologije, ili RegTech, novo je područje koje ima potencijal pokrenuti mnoge inovacije unutar odjela za poslovanje mnogih organizacija u budućnosti.

Telemus AI™ je australska tvrtka za umjetnu inteligenciju koja pruža napredna rješenja za vladu i poduzeća. Kontaktirajte nas danas za besplatno savjetovanje o tome kako se Telemus AI™ može integrirati u vašu organizaciju.