Vélanám - Greining sviksamlegra færsla með einangrunarskógum

Í sífellt samofnari stafrænni heimi eiga sér stað milljarða viðskipta daglega í gegnum ýmis kerfi, frá sölustöðvum í hefðbundnum verslunum til netgreiðsluhurða. Þessi kerfi hafa skapað mikla tækifæri og hjálpað til við að knýja nýjar nýsköpunarfyrirtæki með einstaka viðskiptalíkön. Þótt verulegur ávinningur hafi skapast, hefur einnig orðið mikill vöxtur í sífellt flóknari netsköpum.

Einn algengasta form netglæpa er kreditkortasvik, sem nemur milljarðum dollara skráðra í fjármálageiranum á heimsvísu. Vegna fjölda færsla sem eiga sér stað daglega, er erfitt fyrir fjármálastofnanir að berjast við netglæpamenn; nýleg framfarir í vélrænni lærdómsnámi hafa leitt til nýrra aðferða við að greina og skynja sviknar færslur. Nákvæm svikagreining gerir sjáfvirkar mildandi aðferðir mögulegar, svo sem að vara viðskiptavininn og biðja um frekari staðfestingu áður en færsla fer fram.

Þetta tilvik rannsóknar kannar nálgun byggða á vélanámi við greiningu kreditkortasviks. Vélanám hefur reynst áhrifaríkt í mörgum mismunandi uppsetningum og er einnig skilvirk við keyrslu á stórum gagnamagni, sem er mikilvæg athugun fyrir hugbúnaðarverkfræðinga sem innleiða bankakerfi.

Leyst vandamálið með gervigreind

Greining fráviks hefur hefðbundið verið vandamál sem fellur innan tölfræðisviðsins. Hefðbundnar aðferðir gera ráð fyrir að gagnasafn falli innan normaldreifingar. Þannig eru útlæg gagnapunktar greind með því að fylgjast með hvaða gagnapunktar víkja verulega frá viðmiðun. Ókostur þessarar aðferðar er sá að ef gagnasafn er ekki normaldreift, er áhrifastæði tækninnar takmörkuð.

Vélnámsfráviksgreining einangrar frávikspunkt

Vélanámsnálganir sem nýta nýlegar framfarir í reikniritum voru síðar reyndar, sem reyndust afar áhrifaríkar, stækkanlegar og yfa komnar ofangreindar takmarkanir tölfræðilegra aðferða. Þótt ekki sé víða tekið upp utan fjármálageirans, hafa margar þessara aðferða nú verið settar í framleiðslu í bankastarfsemi.

Ný aðferð var þróuð árið 2008 í [1] með því að nýta sérstæða eiginleika útskots, sem er sá að útskot eru venjulega einangruð miðað við meirihluta gagnapunktanna. Gefinn þennan eiginleika, er hægt að búa til slembnar skiptingar umhverfis gagnapunkta til að umlykja gagnapunkt, þeim færri skiptingum sem þarf til að einangra gagnapunkt, þeim líklegra er að slíkur gagnapunktur sé útskot. Þróuð reikniritið heð línulegan tímaflækju og reyndist virka vel jafnvel þegar takmarkað þjálfunargögn eru tiltæk; þetta stendur í mótsögn við dæmigerðar aðferðir sem krefjast víðtækra þjálfunargagna.

Hreyfimynd um kreditkortasvindl

Yfirlit yfir skipulagslegt áskorun

Með hliðsjón af því að milljarðar færslna eiga sér stað daglega, er krefjandi að greina sviksamlega frávik og keyra líkani í rauntíma. Myndræn skoðun sýnir að að finna nál í hástacki er eins og að finna nál. Eftirfarandi myndir sýna bankafærslur yfir tíma, þar sem löglegar eru grænar og sviksamlegar rauðar. Það er krefjandi að einangra sviksamlegar færslur. Fjármálastofnanir eru skyltar að reyna að berjast gegn svikum til að uppfylla reglugerðir. Það er einnig vænting viðskiptavina. Venjulega, þegar svik eiga sér stað, borgar fjármálastofnunin kostnaðinn til að viðhalda ánægju viðskiptavina.

Dreifipunktamynd kreditkortafærsla

Pakkaða loftnetsskýringarmynd kreditkortafærsla

Fyrirtæki í auknum mæli beita vélæðisaðferðum sem hluta af stafrænni umbreytingu sinni til að leysa vandamál sem krefjast skala eins og svindlsgreining. Margir þeirra þátta sem notaðir eru til að greina svindl eru venjulega geymdir í gagnavöruhúsum. Rannsóknarbókhaldstækni er einnig afar þróuð til að ákvarða mælieiningar sem notaðar eru sem inntak fyrir vélæðislíkön.

Aðgreiningarskógar hafa verið beittir á Kaggle kreditkortsgagnasafnið [2] og hefur verið sýnt fram á að þeir séu 99% áhrifaríkir við að greina sviksamlegar færslur [3]. Þar sem ákveðin heildar nálgun hefur verið skilgreind sem virkar, standa flest stofnanir frammi fyrir innleiðingar áskorunum sem virka í miklum mælikvarða frekar en að þurfa að rannsaka & þróa lausn.

Fyrirtækjagögn aðgengileg sem ML inntak

Gagnauppsprettur sem fjármálastofnanir nota eru sem hér segir:

Lýsigögn viðskiptavina.
Tímastimpillar og upphæðir færsla.
Færslusaga viðskiptavina.
Landfræðileg staðsetning færsla.
Benford-lögmálið.

Samþættingaraðferðafræði

Eftirfarandi er yfirlit yfir það ferli sem við myndum framkvæma á háu stigi til að greina slíka strauma innan stofnunar:

Greinið fjárhagsleg mælistikur úr ERP-kerfum sem hægt er að nota sem inntak.
Þjálfa einangrunarskóg á upphaflegu gagnasafni og halda áfram að þjálfa líkanið í framtíðinni til að tryggja að það greini nýleg svikamynstur.
Með því að kalla Telemus AI™ API til að keyra Isolation Forest á innkoma færslur, skilar API líkindaáætlun um líkur á svikafærslu byggt á líkaninu.
Setja upp sérsniðna vinnuferla og þróun til að vara svindlteymið og viðskiptavini við hugsanlega svindlviðskipti

Telemus AI™ hefur öfluga vélanámslíkön til að lesa svo stofnun þín geti einbeitt sér að viðskiptalógík frekar en tæknilegri innleiðingu.

Stofnanaleg forrit

Eftirfarandi telur upp aðrar mögulegar notkunarleiðir fyrir stofnunina þína:

Greining sviksamra færsla.
Greining sviksamra kröfa starfsmanna.
Greina óvenjulegt hegðunarmynstur innan stofnunarinnar í gegnum kerfi fyrir rakningu mannauðs.

Möguleg og raunveruleg ávinningur

Þar sem fjármálafirrar kosta mikinn tíma og peninga og valda orðspursskaða og óánægju viðskiptavina, getur virk forvarn gegn svikum sparað allt að milljónum, jafnvel milljörðum dollara, eftir því hversu stór starfsemin er. Reglugerðarstofnanir eru einnig sífellt að setja strangari reglur um samræmi. Það er búist við að fjármálastofnanir hafi ferla, aðferðir og kerfi til að koma í veg fyrir og berjast gegn svikum. Reglugerðartækni, eða RegTech, er vaxandi svið sem hefur möguleika á að knýja margar nýjungar fram á við innan rekstrardeilda margra stofnana í framtíðinni.

Telemus AI™ er ástralskt gervigreindarfyritæki sem veitir háþróaðar lausnir fyrir stjórnvöld og fyrirtæki. Hafðu samband í dag til að fá ókeypis ráðgjöf um hvernig Telemus AI™ getur verið samþætt í stofnun þína.