მანქანური სწავლება - თაღლითური ტრანზაქციების აღმოჩენა იზოლაციის ტყეებით

2008 წელს [1]-ში შემუშავდა ახალი მიდგომა, რომელიც ეყრდნობა გამონაკლისების უნიკალურ თვისებას, რომ გამონაკლისები ჩვეულებრივ იზოლირებულია მონაცემთა წერტილების უმრავლესობასთან შედარებით. ამ თვისებიდან გამომდინარე, შესაძლებელია მონაცემთა წერტილების გარშემო შემთხვევითი დანაყოფების გენერირება მონაცემთა წერტილის შემოსაზღვრად; რაც ნაკლები დანაყოფია საჭირო მონაცემთა წერტილის იზოლირებისთვის, მით უფრო სავარაუდოა, რომ ასეთი მონაცემთა წერტილი არის გამონაკლისი. შემუშავებულ ალგორითმს აქვს წრფივი დროის სირთულე და დადასტურდა, რომ კარგად მუშაობს მაშინაც კი, როდესაც შეზღუდული სასწავლო მონაცემებია ხელმისაწვდომი; ეს კი კონტრასტულია იმ ტიპიურ მიდგომებთან, რომლებიც მოითხოვენ ფართო სასწავლო მონაცემებს.

ორგანიზაციული გამოწვევის მიმოხილვა

იმის გათვალისწინებით, რომ მილიარდობით ტრანზაქცია ხდება ყოველდღიურად, თაღლითური გამონაკვეთების აღმოჩენა და მოდელის რეალურ დროში გაშვება რთულია. ვიზუალური შემოწმება ხაზს უსვამს, რომ ნემსის პოვნა თივაში ჰგავს ნემსის პოვნას. შემდეგი გამოსახულებები ასახავს საბანკო ტრანზაქციებს დროის განმავლობაში, კანონიერი მწვანედ და თაღლითური წითლად. თაღლითური ტრანზაქციების იზოლირება რთულია. ფინანსურ დაწესებულებებს მოეთხოვებათ სცადონ თაღლითობასთან ბრძოლა რეგულაციებთან თავსებადობისთვის. ეს ასევე მომხმარებელთა მოლოდინია. ჩვეულებრივ, როდესაც თაღლითობა ხდება, ფინანსური დაწესებულება იხდის ღირებულებას მომხმარებლის კმაყოფილების შესანარჩუნებლად.

ორგანიზაციები თანდათან უბრუნდებიან მანქანური სწავლების მეთოდებს თავიანთი ციფრული ტრანსფორმაციის მოგზაურობის ნაწილად, რათა გადაჭრან პრობლემები, რომლებიც მოითხოვენ მასშტაბირებას, როგორიცაა თაღლითობის აღმოჩენა. ბევრი მაჩვენებელი თაღლითობის აღმოჩენისთვის ჩვეულებრივ ინახება მონაცემთა საცავებში. ფორენზიული ბუღალტრული ტექნიკებიც საკმაოდ განვითარებულია იმ მეტრიკების განსაზღვრაში, რომლებიც გამოიყენება როგორც შეყვანა მანქანური სწავლების მოდელებისთვის.

იზოლაციის ტყეები გამოყენებული იქნა Kaggle-ის საკრედიტო ბარათის მონაცემთა ნაკრებზე [2] და დადასტურდა, რომ 99%-ით ეფექტურია თაღლითური ტრანზაქციების აღმოჩენაში [3]. იმის გათვალისწინებით, რომ დადგინდა ზოგადი მიდგომა, რომელიც მუშაობს, ორგანიზაციების უმრავლესობა ისეთ განხორციელების გამოწვევებს ხვდება, რომელთა მასშტაბირებაც შესაძლებელია, ვიდრე კვლევის ჩატარება & შეიმუშავეთ გადაწყვეტილება.

ორგანიზაციული მონაცემები ML შეყვანის სახით

ფინანსური დაწესებულებების მიერ გამოყენებული მონაცემთა წყაროები არის შემდეგი:

• მომხმარებლის მეტამონაცემები.
• ტრანზაქციების დროის შტამპები და თანხები.
• მომხმარებლების ტრანზაქციების ისტორია.
• ტრანზაქციების გეოგრაფიული მდებარეობა.
• ბენფორდის კანონი.

ინტეგრაციის მეთოდოლოგია

ქვემოთ მოცემულია პროცესის მიმოხილვა, რომელსაც ჩვენ მაღალ დონეზე შევასრულებთ ასეთი ნაკადების ორგანიზაციაში ანალიზისთვის:

• იდენტიფიცირება ERP სისტემებიდან ფინანსური მეტრიკებისა, რომლებიც შეიძლება გამოყენებულ იქნას როგორც შეყვანილი მონაცემები.
• გაწვრთნეთ იზოლაციის ტყე საწყის მონაცემთა ნაკრებზე და გააგრძელეთ მოდელის გაწვრთნა მომავალში, რათა უზრუნველყოთ, რომ ის აღმოაჩენს უფრო ახალ თაღლითურ ტრანზაქციების კანონზომიერებებს.
• შემომავალ ტრანზაქციებზე Isolation Forest-ის გასაშვებად Telemus AI™ API-ების გამოძახებით, API აბრუნებს თაღლითური ტრანზაქციის ალბათობის ალბათურ შეფასებას მოდელზე დაყრდნობით.
• დააყენეთ პერსონალიზებული სამუშაო პროცესები და პროცედურები, რათა გააფრთხილოთ თაღლითობის გუნდი, ისევე როგორც მომხმარებლები, პოტენციურად თაღლითური ტრანზაქციების შესახებ

Telemus AI™-ს აქვს მძლავრი მანქანური სწავლების მოდელები, რომ წაიკითხოს, ასე რომ თქვენი ორგანიზაცია შეძლებს ფოკუსირება მოახდინოს ბიზნეს ლოგიკაზე და არა ტექნიკურ განხორციელებაზე.

ორგანიზაციული აპლიკაციები

ქვემოთ ჩამოთვლილია თქვენი ორგანიზაციისთვის სხვა პოტენციური აპლიკაციები:

• თაღლითური ტრანზაქციების აღმოჩენა.
• თაღლითური თანამშრომლური მოთხოვნების აღმოჩენა.
• უჩვეულო ორგანიზაციული ქცევის განსაზღვრა ადამიანური რესურსების თვალყურის სისტემების მეშვეობით.

პოტენციური და რეალიზებული სარგებელი

ფინანსური მოტყუების მიერ გამოწვეული დროისა და ფულის უზარმაზარი მასშტაბის, რეპუტაციული ზიანისა და მომხმარებელთა უკმაყოფილების გათვალისწინებით, მოტყუების აქტიურმა თავიდან აცილებამ შეიძლება მილიონობით, თუნდაც მილიარდობით დოლარი დაზოგოს, ოპერაციის მასშტაბიდან გამომდინარე. რეგულირების ორგანოებიც მუდმივად ამკვიდრებენ უფრო მკაცრ შესაბამისობის მითითებებს. არსებობს მოლოდინი, რომ ფინანსურ დაწესებულებებს გააჩნიათ პროცესები, პროცედურები და სისტემები მოტყუების თავიდან ასაცილებლად და მასთან საბრძოლველად. რეგულირების ტექნოლოგიები, ანუ RegTech, არის აღმოცენებადი სფერო, რომელსაც აქვს პოტენციალი, განაპირობოს მრავალი ინოვაცია მრავალი ორგანიზაციის ოპერაციების დეპარტამენტებში მომავალში.

Telemus AI™ არის ავსტრალიაში ბაზირებული ხელოვნური ინტელექტის კომპანია, რომელიც მთავრობსა და საწარმოებს აწვდის მოწინავე გადაწყვეტილებებს. დაგვიკავშირდით დღესვე უფასო კონსულტაციისთვის იმის შესახებ, თუ როგორ შეიძლება Telemus AI™ ინტეგრირდეს თქვენს ორგანიზაციაში.

ბმულები

[1] - იზოლაციის ტყე - ფეი ტონი ლიუ, კაი მინგ ტინგი და ჟი-ჰუა ჟოუ
[2] - საკრედიტო ბარათის თაღლითობის აღმოჩენა - Kaggle
[3] - მანქანური სწავლება საკრედიტო ბარათის თაღლითობის აღმოჩენაში - S Joel Franklin