Mašininis mokymasis - Apgaulingų operacijų aptikimas naudojant izoliacijos miškus

Vis labiau tarpusavyje susijusiame skaitmeniniame pasaulyje kasdien vyksta milijardai operacijų per įvairias sistemas, nuo pardavimo terminalų tradicinėse parduotuvėse iki internetinių mokėjimo šliuzų. Šios sistemos suteikė didelių galimybių ir padėjo skatinti naujus novatoriškus verslus su unikaliais verslo modeliais. Nors nauda buvo reikšminga, taip pat smarkiai išaugo vis labiau tobulesnio kibernetinio nusikalstamumo lygis.

Viena iš dažniausių kibernetinio nusikaltimo formų yra kredito kortelių sukčiavimas, dėl kurio finansų sektoriuje visame pasaulyje patiriama milijardų dolerių nuostolių. Atsižvelgiant į kasdien atliekamų operacijų skaičių, finansinėms institucijoms sunku kovoti su kibernetiniais nusikaltėliais; naujausi Mašininio mokymosi pasiekimai paskatino naujų metodų, skirtų sukčiavimo operacijoms identifikuoti ir aptikti, atsiradimą. Tikslus sukčiavimo identifikavimas leidžia taikyti automatizuotas švelninimo strategijas, pvz., įspėti klientą ir prašyti papildomo patvirtinimo prieš tęsiant operaciją.

Šis atvejo tyrimas nagrinėja mašininio mokymosi orientuotą metodą kredito kortelių sukčiavimui nustatyti. Mašininis mokymasis įrodė savo efektyvumą daugelyje skirtingų aplinkų ir taip pat yra efektyvus apdorojant didelius duomenų kiekius, o tai yra esminis aspektas programinės įrangos inžinieriams, kurie įgyvendina bankininkystės sistemas.

Problemos sprendimas naudojant dirbtinį intelektą

Anomalijų aptikimas tradiciškai buvo problema, esanti statistikos srityje. Įprasti metodai daro prielaidą, kad duomenų rinkinys patenka į normalųjį skirstinį. Taip išskirtys aptinkamos stebint, kurie duomenų taškai reikšmingai nukrypsta nuo normos. Šio metodo trūkumas yra tas, kad jei duomenų rinkinys nėra normaliai paskirstytas, technikos efektyvumas yra ribotas.

Mašininio mokymosi anomalijų aptikimas, izoliuojantis anomalų tašką

Vėliau buvo bandomi mašininio mokymimo metodai, naudojantys naujausius algoritmų pasiekimus, kurie pasirodė esantys labai veiksmingi, keičiami ir įveikiantys anksčiau minėtus statistinių metodų apribojimus. Nors jie nėra plačiai taikomi už finansų sektoriaus ribų, šiuo metu daugelis šių metodų buvo pritaikyti gamyboje bankininkystėje.

2008 m. [1] buvo sukurtas naujas metodas, išnaudojant unikalią išskirčių savybę – išskirtys paprastai yra izoliuotos, palyginti su dauguma duomenų taškų. Atsižvelgiant į šią savybę, galima generuoti atsitiktinius skirsnius aplink duomenų taškus, kad būtų galima izoliuoti duomenų tašką. Kuo mažiau skirsnių reikia duomenų taškui izoliuoti, tuo labiau tikėtina, kad toks duomenų taškas yra išskirtis. Sukurtas algoritmas turi tiesinio laiko sudėtingumą ir buvo įrodyta, kad jis veikia gerai net tada, kai yra mažai mokymo duomenų; tai priešingai nei įprasti metodai, reikalaujantys didelio kiekio mokymo duomenų.

Kredito kortelės apgaulės animacija

Organizacinio iššūkio apžvalga

Atsižvelgiant į tai, kad kasdien vyksta milijardai operacijų, apgaulingų nukrypimų aptikimas ir modelio vykdymas realiuoju laiku yra sudėtinga. Vizualinis patikrinimas parodo, kad adatos radimas šieno kupetoje yra tarsi adatos radimas. Šie vaizdai iliustruoja banko operacijas laikui bėgant, teisėtos pažymėtos žaliai, o apgaulingos – raudonai. Apgaulingas operacijas izoliuoti yra sudėtinga. Finansinės institucijos privalo stengtis kovoti su apgaule, kad atitiktų reglamentus. Tai taip pat yra klientų lūkestis. Paprastai, kai įvyksta apgaulė, finansinė institucija padengia išlaidas, kad išlaikytų klientų pasitenkinimą.

Kredito kortelės operacijų sklaidos diagrama

Kredito kortelės operacijų supakuotas burbulų grafikas

Organizacijos vis dažniau linkę naudoti mašininio mokymosi metodus savo skaitmeninės transformacijos kelionės metu, kad išspręstų problemas, reikalaujančias masto, tokias kaip sukčiavimo aptikimas. Daugelis sukčiavimo aptikimo rodiklių paprastai saugomi duomenų sandėliuose. Forenzinės apskaitos technikos taip pat yra gana pažangios nustatant metriką, naudojamą kaip mašininio mokymosi modelių įvestis.

Izoliacijos miškai buvo taikomi Kaggle kredito kortelių duomenų rinkiniui [2] ir buvo įrodyta, kad jie yra 99% efektyvūs aptinkant sukčiavimo operacijas [3]. Kadangi nustatytas bendras veikiantis metodas, dauguma organizacijų susiduria su įgyvendinimo iššūkiais, kurie veikia dideliu mastu, užuot turėjus atlikti tyrimus & sukurti sprendimą.

Organizaciniai duomenys, prieinami kaip ML įvestis

Finansinių institucijų naudojami duomenų šaltiniai yra šie:

Klientų metaduomenys.
Operacijų laiko žymos ir sumos.
Klientų operacijų istorija.
Geografinė operacijų vieta.
Benfordo dėsnis.

Integracijos metodologija

Toliau pateikiama aukšto lygio proceso, kurį atliktume analizuodami tokius srautus organizacijoje, apžvalga:

Identifikuokite finansinius rodiklius iš ERP sistemų, kurie gali būti naudojami kaip įvestis.
Apmokykite izoliacijos mišką pradiniame duomenų rinkinyje ir toliau mokykite modelį ateityje, kad užtikrintumėte, jog jis aptiktų naujausias sukčiavimo operacijų modelius.
Kreipiantis į Telemus AI™ API, kad būtų paleistas „Isolation Forest“ algoritmas gaunamoms operacijoms, API grąžina tikimybų įvertį apie sukčiavimo operacijos tikimybę, pagrįstą modeliu.
Nustatykite tinkintas darbo eigas ir procesus, kad įspėtumėte sukčiavimo komandą bei klientus apie potencialiai sukčiavimo operacijas

Telemus AI™ turi patikimus mašininio mokymosi modelius, kad jūsų organizacija galėtų sutelkti dėmesį į verslo logiką, o ne į techninį įgyvendinimą.

Organizaciniai taikymai

Toliau išvardytos kitos potencialios programos jūsų organizacijai:

Apgaulingų operacijų aptikimas.
Apgaulingų darbuotojų reikalavimų aptikimas.
Neįprasto organizacinio elgesio nustatymas per žmogiškųjų išteklių stebėjimo sistemas.

Potencialūs ir realizuoti pranašumai

Atsižvelgiant į didžiulę finansinio sukčiavimo keliamą laiko ir pinigų vertę bei reputacijos žalą ir klientų nepasitenkinimą, kurį tai gali sukelti, aktyvus sukčiavimo prevencija gali sutaupyti iki milijonų, o gal net milijardų dolerių, priklausomai nuo operacijų masto. Reguliavimo institucijos taip pat nuolat pateikia griežtesnius atitikties reikalavimus. Yra tikimasi, kad finansinės institucijos turės procesus, procedūras ir sistemas sukčiavimui išvengti ir su juo kovoti. Reguliavimo technologijos, arba RegTech, yra besivystanti sritis, turinti potencialo skatinti daugelį inovacijų daugelio organizacijų operacijų departamentuose judant į priekį ateityje.

Telemus AI™ yra Australijoje įsikūrusi dirbtinio intelekto įmonė, teikianti pažangius sprendimus vyriausybėms ir įmonėms. Susisiekite su mumis šiandien dėl nemokamos konsultacijos, kaip Telemus AI™ gali būti integruota į jūsų organizaciją.