機械学習 - Isolation Forestsによる不正取引の検出
ますます相互接続が進むデジタル世界において、従来の店舗内の販売時点情報管理端末からオンライン決済ゲートウェイまで、様々なシステムを通じて毎日何十億もの取引が行われています。これらのシステムは大きな機会を提供し、独自のビジネスモデルを持つ新しい革新的なビジネスの推進に役立ってきました。大きなメリットがあった一方で、ますます高度化するサイバー犯罪も急増しています。
サイバー犯罪の最も一般的な形態の一つはクレジットカード詐欺であり、世界中の金融セクターで数十億ドルの損失を引き起こしています。毎日発生する取引の数を考えると、金融機関がサイバー犯罪者と戦うことは困難です。機械学習の最近の進歩により、不正取引を特定および検出するための新しい方法が生まれました。正確な不正検出により、取引が進行する前に顧客に警告し、さらなる確認を要求するなどの自動化された緩和戦略が可能になります。
本ケーススタディでは、クレジットカードの不正検出に対する機械学習指向のアプローチを探求します。機械学習は多くの異なる環境で効果的であることが証明されており、大容量のデータに対して実行する効率にも優れており、これは銀行システムを実装するソフトウェアエンジニアにとって不可欠な考慮事項です。
人工知能による問題解決
異常の検出は伝統的に統計分野内の問題でした。従来の方法は、データセットが正規分布内に収まることを前提としています。したがって、外れ値はどのデータポイントが基準から大きく逸脱しているかを観察することによって検出されます。この方法の欠点は、データセットが正規分布していない場合、手法の有効性が限られることです。
最近のアルゴリズムの進歩を利用した機械学習アプローチが後に試みられ、非常に効果的でスケーラブルであり、前述の統計的手法の限界を克服することが実証されました。金融セクター以外では広く採用されていませんが、これらの手法の多くは現在、銀行業で本番環境に導入されています。
2008年に[1]で、外れ値のユニークな特性を利用した新しいアプローチが開発されました。その特性とは、外れ値が通常、データポイントの大部分に対して孤立しているということです。この特性を考慮すると、データポイントを囲むランダムな分割を生成してデータポイントを孤立させることが可能であり、データポイントを孤立させるために必要な分割が少ないほど、そのデータポイントが外れ値である可能性が高くなります。開発されたアルゴリズムは線形時間計算量を持ち、限られたトレーニングデータしか利用できない場合でもうまく機能することが証明されました。これは、広範なトレーニングデータを必要とする一般的なアプローチとは対照的です。
組織的課題の概要
数十億の取引が毎日発生することを考えると、不正な外れ値を検出し、リアルタイムでモデルを実行することは困難です。視覚的な検査から、干し草の山から針を探すのは針を見つけるようなものだと強調されます。以下の画像は、時間経過に伴う銀行取引を示しており、正当なものは緑、不正なものは赤です。不正な取引を分離することは困難です。金融機関は、規制を遵守するために不正と戦うことを試みるよう求められています。また、顧客の期待でもあります。通常、不正が発生した場合、金融機関は顧客満足度を維持するために費用を負担します。
組織は、不正検出などスケールを必要とする問題を解決するためのデジタル変革プロセスの一環として、ますます機械学習手法に目を向けています。不正を検出するための多くの指標は、通常データウェアハウス内に保存されています。フォレンジック会計手法も、機械学習モデルの入力として使用される指標を決定する上で非常に高度です。
アイソレーションフォレストはKaggleのクレジットカードデータセット[2]に適用され、不正取引の検出において99%の有効性が実証されています[3]。機能する一般的なアプローチが決定されたことを考慮すると、ほとんどの組織は、研究を行う必要があるというよりも、大規模に機能する実装の課題に直面しています & ソリューションを開発する。
ML入力として利用可能な組織データ
金融機関で使用されるデータソースは以下の通りです：
- 顧客メタデータ。
- 取引のタイムスタンプと金額。
- 顧客の取引履歴。
- 取引の地理的位置。
- ベンフォードの法則。
統合方法論
以下は、組織内でそのようなフィードを分析するために当社が高いレベルで実行するプロセスの概要です：
- ERPシステムから入力として使用できる財務指標を特定します。
- 初期データセットでアイソレーションフォレストをトレーニングし、今後もモデルのトレーニングを継続して、より最近の不正トランザクションパターンを確実に検出できるようにする。
- Telemus AI™ APIを呼び出して受信取引に対してIsolation Forestを実行すると、APIはモデルに基づいて不正取引の可能性の確率論的推定値を返します。
- 不正取引の可能性について不正チームおよび顧客に警告するためのカスタマイズされたワークフローとプロセスを設定します
Telemus AI™は、堅牢な機械学習モデルを読み込ませることで、お客様の組織が技術的な実装ではなくビジネスロジックに集中できるようにします。
組織的アプリケーション
あなたの組織のその他の潜在的なアプリケーションのリスト：
- 不正な取引の検出。
- 不正な従業員請求の検出。
- 人事追跡システムを通じた異常な組織行動の特定。
潜在的および実現されたメリット
金融詐欺がもたらす時間と金銭の膨大な損失、ならびに評判の低下や顧客の不満を考慮すると、詐欺を積極的に防止することで、事業規模に応じて最大数百万、あるいは数十億ドルを節約できます。規制当局も継続的により厳格なコンプライアンスガイドラインを発表しています。金融機関には、詐欺を防止し対抗するためのプロセス、手順、システムが求められるという期待があります。規制技術、すなわちRegTechは新興分野であり、将来に向けて多くの組織の運用部門内で多くのイノベーションを推進する可能性を秘めています。
Telemus AI™は、政府および企業に高度なソリューションを提供するオーストラリア拠点の人工知能企業です。Telemus AI™を組織に統合する方法について、今すぐお問い合わせいただき、無料相談をご利用ください。
参考文献
[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, and Zhi-Hua Zhou
[2] - クレジットカード不正検出 - Kaggle
[3] - クレジットカード不正検出における機械学習 - S Joel Franklin
