Машиналық оқыту - Оқшаулау ормандарымен құқық бұзушы транзакцияларды анықтау

2008 жылы [1] дереккөзінде ерекше шегіністердің бірегей қасиетін пайдалану арқылы жаңа тәсіл әзірленді, ол — шегіністердің көптеген дерек нүктелеріне қатысты оқшауланған болуы. Бұл қасиет ескеріле отырып, дерек нүктесін қоршау үшін дерек нүктелерінің айналасында кездейсоқ бөлімдерді жасауға болады, дерек нүктесін оқшаулау үшін қажет бөлімдер неғұрлым аз болса, мұндай дерек нүктесінің шегініс болу ықтималдығы соғұрлым жоғары. Әзірленген алгоритмнің сызықтық уақыт күрделілігі бар және оқыту деректері шектеулі болған кезде де жақсы жұмыс істейтіні дәлелденген; бұл кең оқыту деректерін талап ететін дәстүрлі тәсілдерге қарама-қайшы келеді.

Ұйымдық проблеманың шолуы

Күн сайын миллиардтаған транзакция жүзеге асатынын ескерсек, алаятықтық аномалияларды анықтау және модельді нақты уақыт режимінде жүргізу қиын. Көрнекі тексеру сәйкесінше инені сабанда табу инені тапқандай екенін көрсетеді. Төмендегі суреттер уақыт бойынша банк транзакцияларын көрсетеді, заңды жасыл және алаятықтық қызыл түспен берілген. Алаятықтық транзакцияларды оқшаулау қиын. Қаржы мекемелері ережелерге сәйкес келу үшін алаятықтықпен күресуге тырысуға міндетті. Бұл сондай-ақ тұтынушылардың күтуі. Әдетте, алаятықтық орын алған кезде, тұтынушының қанағаттануын сақтау үшін қаржы мекемесі шығынды төлейді.

Ұйымдар алаяқтықты анықтау сияқты масштабты қажет ететін мәселелерді шешу үшін цифрлық трансформация саяхатының бөлігі ретінде машиналық оқыту әдістеріне біртіндеп көбірек жүгіруде. Алаяқтықты анықтауға арналған көптеген маркерлер әдетте деректер қоймасында сақталады. Криминалистикалық бухгалтерлік есеп техникасы да машиналық оқыту модельдеріне кіріс ретінде пайдаланылатын метрикаларды анықтауда өте жетілген.

Оқшаулау ормандары Kaggle несиелік карталар деректер жиынтығына [2] қолданылды және алаяқтық транзакцияларды анықтауда 99% тиімді екені дәлелденді [3]. Жалпы тәсілдің жұмыс істейтіні анықталғанымен, көптеген ұйымдар зерттеу жүргізудің орнына үлкен масштабта жұмыс істейтін енгізу проблемаларына тап болады & шешім әзірлеу.

ML кіріс ретінде қолжетімді ұйымдық деректер

Қаржы мекемелері пайдаланатын дереккөздер мыналар:

• Тұтынушының метадеректері.
• Транзакция уақыт белгілері мен сомалары.
• Клиенттердің транзакция тарихы.
• Транзакциялардың географиялық орны.
• Бенфорд заңы.

Интеграциялау әдіснамасы

Төменде ұйым ішіндегі осындай ағындарды жоғары деңгейде талдау үшін біз орындайтын процестің шолуы берілген:

• ERP жүйелерінен кіріс ретінде қолданыла алатын қаржылық көрсеткіштерді анықтаңыз.
• Бастапқы деректер жиынтығында оқшаулау орманын оқытыңыз және жақында жасалған құқық бұзушылық транзакция үлгілерін анықтау үшін болашақта моделді оқытуды жалғастырыңыз.
• Кіріс транзакцияларында Изоляциялық Орманды (Isolation Forest) іске қосу үшін Telemus AI™ API-лерін шақыру, API модельге негізделген алаяқтық транзакциясының ықтималдығының ықтималдық бағасын қайтарады.
• Қауіпті алаяқтық операциялары туралы алаяқтыққа қарсы топты да, тұтынушыларды да хабардар ету үшін арнайы жұмыс ағындары мен процестерін орнатыңыз

Telemus AI™ мықты машиналық оқыту модельдерін оқиды, сондықтан ұйымыңыз техникалық іске асыруға емес, бизнес логикасына назар аудара алады.

Ұйымдық қолданбалар

Ұйымыңыз үшін басқа әлеуетті қолданбалардың тізімі:

• Жалған транзакцияларды анықтау.
• Қызметкерлердің жалған өтініштерін анықтау.
• Кадрларды бақылау жүйелері арқылы ұйымдағы ерекше мінез-құлықты анықтау.

Ықтимал және іске асырылған артықшылықтар

Қаржылық алаятылықтың уақыт пен ақшаға деген үлкен шығынын және оның туындыта алатын беделге келтіретін зияны мен тұтынушылардың наразылығын ескере отырып, алаятылықты белсенді түрде алдын алу операцияның ауқымына байланысты миллиондаған, тіпті миллиардтаған долларларға дейін үнемдеуге мүмкіндік береді. Реттеуші органдар да үздіксіз түрде қатаңдау сәйкестік нұсқаулықтарын шығарып келеді. Қаржы мекемелерінде алаятылықтың алдын алу және оған қарсы күресу үшін процестер, рәсімдер және жүйелер болуы күтіледі. Реттеу технологиялары немесе RegTech — болашақта көптеген ұйымдардың операциялық бөлімдерінде көптеген инновацияларды жүзеге асыруға қабілетті дамып келе жатқан сала.

Telemus AI™ — үкіметке және кәсіпорындарға озық шешімдер ұсынатын Австралияда орналасқан жасанды интеллект компаниясы. Telemus AI™ ұйымыңызға интеграциялануы қалай болатыны туралы тегін кеңес алу үшін бүгін бізге хабарласыңыз.

Сілтемелер

[1] - Оқшаулау орманы - Fei Tony Liu, Kai Ming Ting және Zhi-Hua Zhou
[2] - Несие картасымен алаятықтықты анықтау - Kaggle
[3] - Несиелік карта алаятын анықтаудағы машиналық оқыту - S Joel Franklin