Gépi tanulás - Csalárd tranzakciók észlelése izolációs erdőkkel

2008-ban egy új megközelítést fejlesztettek ki az [1]-ben az kiugró értékek egyedi tulajdonságának kihasználásával, tudniillik az kiugró értékek általában elszigeteltek az adatpontok többségéhez képest. E tulajdonság miatt lehetséges az adatpontok körül véletlenszerű partíciókat generálni egy adatpont bezárására; minél kevesebb partíció szükséges egy adatpont izolálásához, annál valószínűbb, hogy az adatpont kiugró érték. A kidolgozott algoritmus lineáris időbonyolultságú, és bizonyítottan jól működik akkor is, ha korlátozott tanítási adat áll rendelkezésre; ez szemben áll az olyan tipikus megközelítésekkel, amelyek kiterjedt tanítási adatokat igényelnek.

A szervezeti kihívás áttekintése

Tekintettel arra, hogy naponta milliárdos nagyságrendű tranzakció történik, a csalárd kiugró értékek észlelése és a modell valós idejű futtatása kihívást jelent. A vizuális ellenőrzés rávilágít arra, hogy a tűt a szénakazalban megtalálni olyan, mint tűt találni. A következő képek a banki tranzakciókat mutatják az idő múlásával, a jogszerűek zölddel, a csalárdak pirossal. Kihívást jelent a csalárd tranzakciók izolálása. A pénzügyi intézményeknek meg kell kísérelniük a csalás elleni küzdelmet a szabályozásoknak való megfelelés érdekében. Ez a vásárlók elvárása is. Általában, amikor csalás történik, a pénzügyi intézmény állja a költségeket az ügyfél-elégedettség fenntartása érdekében.

A szervezetek egyre inkább a gépi tanulási módszerek felé fordulnak digitális transzformációs útjuk során, hogy megoldják az olyan skálázást igénylő problémákat, mint a csalásészlelés. A csalás észlelésére szolgáló mutatók közül sokat általában adattárházakban tárolnak. A kriminalisztikai számviteli technikák is meglehetősen fejlettek a gépi tanulási modellek bemeneteiként használt mutatók meghatározásában.

Az izolációs erdőket alkalmazták a Kaggle hitelkártya adatkészleten [2], és bebizonyosodott, hogy 99%-ban hatékonyak a csalárd tranzakciók észlelésében [3]. Mivel egy olyan általános megközelítést határoztak meg, amely működik, a legtöbb szervezet olyan megvalósítási kihívásokkal szembesül, amelyek nagy léptékben működnek, ahelyett, hogy kutatniuk kellene & fejlesszen egy megoldást.

ML bemenetként elérhető szervezeti adatok

A pénzintézetek által használt adatforrások a következők:

• Ügyfél metaadatok.
• Tranzakciók időbélyegei és összegei.
• Az ügyfelek tranzakciós előzményei.
• A tranzakciók földrajzi elhelyezkedése.
• Benford-törvény.

Integrációs módszertan

Az alábbiakban áttekintjük azt a magas szintű folyamatot, amelyet egy szervezeten belüli ilyen típusú streamek elemzésére hajtanánk végre:

• Azonosítsa az ERP rendszerekből származó olyan pénzügyi mutatókat, amelyek bemenetként használhatók.
• Egy izolációs erdő betanítása egy kezdeti adathalmazon, és a modell folyamatos betanítása a jövőben annak érdekében, hogy észlelje a legutóbbi csalárd tranzakciós mintákat.
• A Telemus AI™ API-k meghívásával az Isolation Forest futtatásához a bejövő tranzakciókon, az API a modell alapján visszaadja a csalárd tranzakció valószínűségének becslését.
• Állítson be személyre szabott munkafolyamatokat és eljárásokat a csalási csapat, valamint az ügyfelek riasztására a potenciálisan csalárd tranzakciókról

A Telemus AI™ robusztus gépi tanulási modellekkel rendelkezik, így szervezete az üzleti logikára koncentrálhat a technikai megvalósítás helyett.

Szervezeti alkalmazások

Az alábbiakban a szervezete egyéb potenciális alkalmazásai listája látható:

• Csalós tranzakciók észlelése.
• Csaló munkavállalói igények észlelése.
• Szokatlan szervezeti viselkedés meghatározása emberi erőforrások nyomkövető rendszereken keresztül.

Potenciális és megvalósult előnyök

A pénzügyi csalások által okozott hatalmas idő- és pénzveszteség, valamint az ebből fakadó reputációs kár és ügyfél-elégedetlenség fényében a csalás aktív megelőzése akár milliókat, sőt milliárdokat is megtakaríthat dollárban, a művelet méretétől függően. A szabályozó testületek is folyamatosan szigorúbb megfelelőségi irányelveket adnak ki. Elvárás, hogy a pénzügyi intézmények rendelkezjenek a csalás megelőzését és leküzdését szolgáló folyamatokkal, eljárásokkal és rendszerekkel. A szabályozási technológiák, vagyis a RegTech egy feltörekvő terület, amelynek potenciálja van számos innováció előmozdítására számos szervezet működési osztályain a jövőben.

A Telemus AI™ egy ausztrál székhelyű mesterséges intelligencia vállalat, amely fejlett megoldásokat nyújt a kormányzat és a vállalatok számára. Lépjen kapcsolatba velünk még ma egy ingyenes konzultációért arról, hogyan integrálható a Telemus AI™ a szervezetébe.

Hivatkozások

[1] - Izolációs Erdő - Fei Tony Liu, Kai Ming Ting és Zhi-Hua Zhou
[2] - Hitelkártya-csalás észlelése - Kaggle
[3] - Gépi tanulás a hitelkártyás csalások észlelésében - S Joel Franklin