Մեքենայական ուսուցում - Խարդախ գործարքների հայտնաբերում մեկուսացման անտառների միջոցով

Նոր մոտեցում մշակվեց 2008 թվականին [1]-ում՝ օգտագործելով բացառությունների եզակի հատկությունը, որն այն է, որ բացառությունները սովորաբար մեկուսացված են տվյալների կետերի մեծամասնության նկատմամբ: Տրված լինելով այս հատկությունը՝ հնարավոր է ստեղծել պատահական բաժանումներ տվյալների կետերի շուրջ՝ տվյալների կետը պարփակելու համար. որքան քիչ բաժանումներ են պահանջվում տվյալների կետը մեկուսացնելու համար, այնքան ավելի հավանական է, որ նման տվյալների կետը բացառություն է: Մշակված ալգորիթմն ունի գծային ժամանակի բարդություն և ապացուցվել է, որ լավ է գործում նույնիսկ այն դեպքում, երբ սահմանափակ ուսուցման տվյալներ են առկա. սա հակադրվում է այն տիպիկ մոտեցումներին, որոնք պահանջում են ընդարձակ ուսուցման տվյալներ:

Կազմակերպչական մարտահրավերի ակնարկ

Հաշվի առնելով, որ ամեն օր տեղի են ունենում միլիարդավոր գործարքներ, խարդախ շեղումների հայտնաբերումը և մոդելի իրական ժամանակում գործարկումը մարտահրավեր է: Վիզուալ ստուգումը ցույց է տալիս, որ ասեղը ծղոտիկի մեջ գտնելը նման է ասեխ գտնելուն: Հետևյալ պատկերները ներկայացնում են բանկային գործարքները ժամանակի ընթացքում՝ օրինականները կանաչ, իսկ խարդախները՝ կարմիր: Խարդախ գործարքների մեկուսացումը մարտահրավեր է: Ֆինանսական հաստատությունները պարտավոր են փորձել պայքարել խարդախության դեմ՝ կանոնակարգերին համապատասխանելու համար: Սա նաև հաճախորդների ակնկալիքն է: Սովորաբար, երբ տեղի է ունենում խարդախություն, ֆինանսական հաստատությունը վճարում է ծախսերը՝ հաճախորդների բավարարվածությունը պահպանելու համար:

Կազմակերպությունները գնալով ավելի շատ են դիմում մեքենայական ուսուցման մեթոդներին՝ որպես իրենց թվային փոխակերպման ճամփորդության մաս՝ լուծելու այն խնդիրները, որոնք պահանջում են մասշտաբ, ինչպիսիք են խարդախության հայտնաբերումը: Խարդախությունը հայտնաբերելու շատ միջոցներ սովորաբար պահվում են տվյալների պահոցներում: Դատական հաշվապահական տեխնիկան նույնպես բավականին առաջադեմ է մեքենայական ուսուցման մոդելների մուտքային տվյալների համար օգտագործվող ցուցանիշները որոշելիս:

Իզոլացիայի անտառները կիրառվել են Kaggle վարկային քարտերի տվյալների հավաքածուի վրա [2] և ցույց է տրվել, որ դրանք 99% արդյունավետ են խարդախ գործարքները հայտնաբերելու գործում [3]: Հաշվի առնելով, որ որոշվել է ընդհանուր մոտեցում, որը գործում է, շատ կազմակերպություններ բախվում են մասշտաբի իրականացման մարտահրավերների, այլ ոչ թե հետազոտություններ կատարելու անհրաժեշտության & մշակել լուծում։

Որպես ML մուտքային տվյալներ հասանելի կազմակերպչական տվյալներ

Ֆինանսական հաստատությունների կողմից օգտագործվող տվյալների աղբյուրներն են հետևյալները.

• Հաճախորդի մետատվյալներ:
• Գործարքների ժամանականիշերը և գումարները:
• Հաճախորդների գործարքների պատմությունը:
• Գործարքների աշխարհագրական դիրքը։
• Բենֆորդի օրենք:

Ինտեգրման մեթոդաբանություն

Ստորև ներկայացված է այն գործընթացի ընդհանուր ակնարկը, որը մենք կիրականացնենք բարձր մակարդակում՝ կազմակերպության ներսում նմանատիպ հոսքերը վերլուծելու համար:

• Բացահայտել ERP համակարգերի ֆինանսական ցուցանիշները, որոնք կարող են օգտագործվել որպես մուտքային տվյալներ:
• Սկզբնական տվյալների բազայի վրա մարզեք մեկուսացման անտառ, և շարունակեք մարզել մոդելը ապագայում՝ ապահովելու համար, որ այն հայտնաբերի ավելի վերջին խարդախ գործարքների օրինաչափությունները:
• Telemus AI™ API-ներ կանչելով՝ մուտքային գործարքների վրա կիրառելու համար Isolation Forest ալգորիթմը, API-ն վերադարձնում է խարդախ գործարքի հավանականության հավանականային գնահատականը՝ հիմնված մոդելի վրա:
• Կարգավորեք հատուկ աշխատանքային հոսքեր և գործընթացներ՝ խարդախությունների թիմին և հաճախորդներին հնարավոր խարդախ գործարքների մասին զգուշացնելու համար:

Telemus AI™-ն ունի հուսալի մեքենայական ուսուցման մոդելներ, որպեսզի ձեր կազմակերպությունը կարողանա կենտրոնանալ բիզնեսի տրամաբանության վրա, այլ ոչ թե տեխնիկական իրականացման:

Կազմակերպչական կիրառություններ

Ձեր կազմակերպության համար այլ հնարավոր կիրառությունների հետևյալ ցանկը՝

• Կեղծ գործարքների հայտնաբերում:
• Աշխատակիցների կեղծ հայտարարությունների հայտնաբերում:
• Մարդկային ռեսուրսների հետևման համակարգերի միջոցով անսովոր կազմակերպչական վարքագծի բացահայտում։

Հնարավոր և իրացված օգուտներ

Հաշվի առնելով այն հսկայական ժամանակի և գումարի ծավալը, որը վճարում է ֆինանսական խարդախությունը, և հեղինակությանը վնասը և հաճախորդների դժգոհությունը, որը այն կարող է առաջացնել, խարդախության ակտիվ կանխարգելումը կարող է խնայել մինչև միլիոնավոր, նույնիսկ միլիարդավոր դոլարներ՝ կախված գործունեության մասշտաբից: Կարգավորող մարմինները նույնպես անընդհատ հրապարակում են ավելի խիստ համապատասխանեցման ուղեցույցներ: Կա ակնկալիք, որ ֆինանսական հաստատություններն ունեն գործընթացներ, ընթացակարգեր և համակարգեր՝ խարդախությունը կանխելու և դրա դեմ պայքարելու համար: Կարգավորող տեխնոլոգիաները կամ RegTech-ը զարգացող ոլորտ է, որն ունի բազմաթիվ նորարարություններ խթանելու ներուժ շատ կազմակերպությունների գործառնական բաժիններում՝ ապագայում առաջ շարժվելիս:

Telemus AI™-ը Ավստրալիայում բազայվող արհեստական բանականության ընկերություն է, որը առաջադեմ լուծումներ է մատուցում կառավարությանը և ձեռնարկություններին: Կապվեք մեզ հետ այսօր՝ անվճար խորհրդատվության համար այն մասին, թե ինչպես Telemus AI™-ը կարող է ինտեգրվել ձեր կազմակերպության մեջ:

Հղումներ

[1] - Իզոլացիայի անտառ - Ֆեյ Թոնի Լիու, Կայ Մինգ Տինգ և Չժի-Հուա Չժոու
[2] - Բանկային քարտով խարդախության հայտնաբերում - Kaggle
[3] - Մեքենայական ուսուցումը կրեդիտային քարտերի խարդախության հայտնաբերման մեջ - S Joel Franklin