Machine Learning - Rilevamento di transazioni fraudolente con Isolation Forests
In un mondo digitale sempre più interconnesso, miliardi di transazioni avvengono ogni giorno attraverso vari sistemi, dai terminali punto vendita nei negozi tradizionali ai gateway di pagamento online. Questi sistemi hanno offerto grandi opportunità e hanno contribuito a guidare nuove imprese innovative con modelli di business unici. Pur avendo comportato significativi benefici, si è registrato anche un netto aumento della criminalità informatica sempre più sofisticata.
Una delle forme più comuni di criminalità informatica è la frode con carta di credito, che rappresenta miliardi di dollari registrati nel settore finanziario a livello globale. Dato il numero di transazioni che avvengono ogni giorno, è difficile per le istituzioni finanziarie contrastare i criminal informatici; recenti progressi nel Machine Learning hanno dato origine a nuovi metodi per identificare e rilevare transazioni fraudolente. L'identificazione accurata delle frodi consente strategie di mitigazione automatizzate come avvisare il cliente e richiedere ulteriore conferma prima che una transazione proceda.
Questo caso di studio esplora un approccio orientato al machine learning per l'identificazione delle frodi con carte di credito. Il Machine Learning si è dimostrato efficace in molti contesti diversi ed è anche efficiente nell'elaborazione di grandi volumi di dati, una considerazione essenziale per gli ingegneri del software che implementano sistemi bancari.
Risolvere il Problema tramite Intelligenza Artificiale
La rilevazione delle anomalie è tradizionalmente un problema rientrante nel campo della statistica. I metodi convenzionali presuppongono che un dataset rientri nella distribuzione normale. Pertanto, gli outlier vengono rilevati osservando quali punti dati si discostano significativamente dalla norma. Lo svantaggio di questo metodo è che se un dataset non è distribuito normalmente, l'efficacia della tecnica risulta limitata.
Successivamente sono stati tentati approcci di Machine Learning che utilizzano recenti avanzamenti algoritmici, che si sono rivelati altamente efficaci, scalabili e in grado di superare le suddette limitazioni dei metodi statistici. Sebbene non ampiamente adottati al di fuori del settore finanziario, molti di questi metodi sono attualmente stati messi in produzione nel settore bancario.
Un approccio innovativo è stato sviluppato nel 2008 in [1] sfruttando una proprietà unica degli outlier, ovvero che gli outlier sono tipicamente isolati rispetto alla maggior parte dei punti dati. Data questa proprietà, è possibile generare partizioni casuali circostanti i punti dati per racchiudere un punto dati; meno partizioni sono necessarie per isolare un punto dati, più è probabile che tale punto dati sia un outlier. L'algoritmo sviluppato ha una complessità temporale lineare ed è stato dimostrato funzionare bene anche quando sono disponibili dati di training limitati; ciò contrasta con gli approcci tipici che richiedono estesi dati di training.
Panoramica della sfida organizzativa
Considerando che miliardi di transazioni avvengono quotidianamente, rilevare anomalie fraudolente ed eseguire un modello in tempo reale è impegnativo. Un'ispezione visiva evidenzia che trovare un ago in un pagliaio è come trovare un ago. Le immagini seguenti illustrano transazioni bancarie nel tempo, con quelle legittime in verde e quelle fraudolente in rosso. È difficile isolare le transazioni fraudolente. Gli istituti finanziari sono tenuti a tentare di contrastare le frodi per conformarsi alle normative. È anche un'aspettativa dei clienti. Di solito, quando si verifica una frode, l'istituto finanziario sostiene il costo per mantenere la soddisfazione del cliente.
Le organizzazioni si rivolgono sempre più spesso a metodi di machine learning come parte dei loro percorsi di trasformazione digitale per risolvere problemi che richiedono scala come il rilevamento delle frodi. Molti degli indicatori per rilevare le frodi sono tipicamente memorizzati all'interno dei data warehouse. Anche le tecniche di contabilità forense sono piuttosto avanzate nel determinare le metriche utilizzate come input per i modelli di machine learning.
Le isolation forest sono state applicate al dataset di carte di credito di Kaggle [2] e si è dimostrato che sono efficaci al 99% nel rilevare transazioni fraudolente [3]. Dato che è stato determinato un approccio generale che funziona, la maggior parte delle organizzazioni affronta sfide di implementazione che funzionano su larga scala piuttosto che dover condurre ricerche & sviluppare una soluzione.
Dati Organizzativi Disponibili come Input per l'ML
Le fonti di dati utilizzate dalle istituzioni finanziarie sono le seguenti:
- Metadati dei clienti.
- Timestamp e importi delle transazioni.
- Storico delle transazioni dei clienti.
- La posizione geografica delle transazioni.
- Legge di Benford.
Metodologia di Integrazione
Di seguito una panoramica del processo che eseguiremmo ad alto livello per analizzare tali flussi all'interno di un'organizzazione:
- Identificare le metriche finanziarie dai sistemi ERP che possono essere utilizzate come input.
- Addestrare un isolation forest su un set di dati iniziale e continuare ad addestrare il modello in futuro per garantire che rilevi i pattern di transazioni fraudolente più recenti.
- Chiamando le API di Telemus AI™ per eseguire l'Isolation Forest sulle transazioni in arrivo, l'API restituisce una stima probabilistica della probabilità di una transazione fraudolenta basata sul modello.
- Imposta flussi di lavoro e processi personalizzati per avvisare il team antifrode e i clienti su potenziali transazioni fraudolente
Telemus AI™ dispone di robusti modelli di machine learning pronti all'uso, così la tua organizzazione può concentrarsi sulla logica di business anziché sull'implementazione tecnica.
Applicazioni Organizzative
Di seguito sono elencate altre potenziali applicazioni per la tua organizzazione:
- Rilevamento di transazioni fraudolente.
- Rilevamento di richieste fraudolente dei dipendenti.
- Determinazione di comportamenti organizzativi insoliti tramite sistemi di tracciamento delle risorse umane.
Benefici potenziali e realizzati
Data la vasta portata del tempo e del denaro che le frodi finanziarie costano e i danni reputazionali e l'insoddisfazione dei clienti che possono causare, prevenire attivamente le frodi può far risparmiare fino a milioni, persino miliardi di dollari, a seconda della scala dell'operazione. Gli organismi di regolamentazione stanno anche continuamente introducendo linee guida di conformità più rigorose. Ci si aspetta che le istituzioni finanziarie dispongano di processi, procedure e sistemi per prevenire e contrastare le frodi. Le tecnologie di regolamentazione, o RegTech, sono un campo emergente che ha il potenziale per guidare molte innovazioni all'interno dei dipartimenti operativi di molte organizzazioni in prospettiva futura.
Telemus AI™ è un'azienda di intelligenza artificiale con sede in Australia che fornisce soluzioni avanzate a enti governativi e aziende. Contattaci oggi per una consulenza gratuita su come Telemus AI™ può essere integrato nella tua organizzazione.
Riferimenti
[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting e Zhi-Hua Zhou
[2] - Rilevamento delle frodi con carte di credito - Kaggle
[3] - Machine Learning nel rilevamento delle frodi con carte di credito - S Joel Franklin
