Mašīnmācīšanās - Krāpniecisku transakciju atklāšana ar izolācijas mežiem

Arvien vairāk savstarpēji saistītajā digitālajā pasaulē katru dienu notiek miljardi darījumu, izmantojot dažādas sistēmas, sākot no pārdošanas punklu termināliem tradicionālos veikalos līdz tiešsaistes maksājumu vārtejiām. Šīs sistēmas ir radījušas lielas iespējas un palīdzējušas virzīt jaunus inovatīvus uzņēmumus ar unikāliem uzņēmējdarbības modeļiem. Lai gan ir bijuši nozīmīgi ieguvumi, ir arī strauji pieaugusi arvien izsmalcinātāka kibernoziegumdarbība.

Viens no izplatītākajiem kibernoziegumu veidiem ir krāšņu karšu krāpšana, kas globāli finanšu sektorā veido miljardus dolāru. Ņemot vērā ikdienas notiekošo darījumu skaitu, finanšu iestādēm ir grūti cīnīties pret kriminālām organizācijām; nesenie sasniegumi mašīnmācīšanās ir devuši jaunas metodes krāpniecisku darījumu identificēšanai un atklāšanai. Precīza krāpšanas identificēšana ļauj automatizēt mazinošas stratēģijas, piemēram, brīdināt klientu un pieprasīt turpmāku apstiprinājumu, pirms darījums tiek veikts.

Šis gadījumu izpētes pētījums aplūko uz mašīnmācīšanos vērstu pieeju kredītkaršu krāpšanas identificēšanai. Mašīnmācīšanās ir pierādījusi savu efektivitāti daudzos dažādos apstākļos, un tā ir arī efektīva, apstrādājot lielus datu apjomus, kas ir būtisks apsvērums programmatūras inženieriem, kas ievieš banku sistēmas.

Problēmas risināšana, izmantojot mākslīgo intelektu

Anomāliju atklāšana tradicionāli ir bijusi problēma, kas ietilpst statistikas jomā. Tradicionālās metodes pieņem, ka datu kopa atbilst normālajam sadalījumam. Tādējādi novirzes tiek atklātas, novērojot, kuri datu punkti būtiski atšķiras no normas. Šīs metodes trūkums ir tas, ka, ja datu kopa nav normāli sadalīta, tehnikas efektivitāte ir ierobežota.

Mašīnmācīšanās anomāliju atklāšana, izolējot anomālu punktu

Vēlāk tika mēģinātas Mašīnmācīšanās pieejas, izmantojot nesenos algoritmiskos sasniegumus, kas izrādījās ļoti efektīvi, mērogojami un pārvarēja iepriekš minētās statistisko metožu ierobežojumas. Lai gan ārpus finanšu sektora tās nav plaši pieņemtas, pašlaik daudzas no šīm metodēm ir ieviestas ražošanā banku sektorā.

Jauna pieeja tika izstrādāta 2008. gadā [1], izmantojot unikālu noviržu īpašību, proti, ka novirzes parasti ir izolētas attiecībā pret vairākumu datu punktu. Ņemot vērā šo īpašību, ir iespējams ģenerēt nejaušus dalījumus ap datu punktiem, lai iekļautu datu punktu; jo mazāk dalījumu nepieciešams datu punkta izolēšanai, jo visticamāk šāds datu punkts ir novirze. Izstrādātajam algoritmam ir lineāra laika sarežģītība, un tika pierādīts, ka tas labi darbojas pat tad, kad ir pieejami ierobežoti apmācības dati; tas kontrastē ar tipiskām pieejām, kas pieprasa plašus apmācības datus.

Kredītkaršu krāpšanas animācija

Organizācijas izaicinājuma pārskats

Tā kā katru dienu notiek miljardi darījumu, krāpniecības atklāšana un modeļa izpildīšana reālā laikā ir izaicinoši. Vizuāla pārbaude parāda, ka adatas atrašana siena kaudzē ir kā adatas atrašana. Šādi attēli ilustrē banku darījumus laika gaitā, ar likumīgiem zaļiem un krāpniecības sarkaniem. Krāpniecības darījumu izolēšana ir izaicinoši. Finanšu iestādēm ir jāmēģina cīnīties pret krāpniecību, lai ievērotu noteikumus. Tas ir arī klientu gaidījums. Parasti, kad notiek krāpniecība, finanšu iestāde sedz izmaksas, lai uzturētu klientu apmierinātību.

Kredītkaršu darījumu izkliedes diagramma

Kredītkaršu darījumu paketēto burbuļu diagramma

Organizācijas arvien vairāk pievēršas mašīnmācīšanās metodēm kā daļai no savas digitālās transformācijas ceļa, lai risinātu problēmas, kas prasa mērogu, piemēram, krāpšanas atklāšanu. Daudzi no rādītājiem krāpšanas atklāšanai parasti tiek uzglabāti datu noliktavās. Forensiskās grāmatvedības tehnikas ir arī diezgan attīstītas, nosakot rādītājus, ko izmanto kā ievades datus mašīnmācīšanās modeļiem.

Izolācijas meži ir pielietoti Kaggle kredītkaršu datu kopā [2] un ir pierādīti kā 99% efektīvi krāpniegisko transakciju atklāšanā [3]. Tā kā ir noteikta vispārīga pieeja, kas darbojas, vairums organizāciju saskaras ar ieviešanas izaicinājumiem, kas darbojas mērogā, nevis būtu jāveic pētījumi & izstrādāt risinājumu.

Organizācijas dati, kas pieejami kā ML ievade

Finanšu iestāžu izmantotie datu avoti ir šādi:

Klientu metadati.
Transakciju laikspiedoli un summas.
Klientu transakciju vēsture.
Transakciju ģeogrāfiskā atrašanās vieta.
Benforda likums.

Integrācijas metodoloģija

Tālāk ir sniegts augsta līmeņa pārskats par procesu, ko mēs veiktu, lai analizētu šādas plūsmas organizācijā:

Identificējiet finanšu rādītājus no ERP sistēmām, kurus var izmantot kā ievaddatus.
Apmācīt izolācijas mežu uz sākotnējā datu kopas, un turpināt apmācīt modeli arī nākotnē, lai nodrošinātu, ka tas atklāj jaunākos krāpniecības transakciju modeļus.
Izsaucot Telemus AI™ API, lai izpildītu Isolation Forest ienākošajiem darījumiem, API atgriež varbūtības novērtējumu par krāpnieciska darījuma varbūtību, balstoties uz modeli.
Iestatiet pielāgotas darbplūsmas un procesus, lai brīdinātu krāpšanās novēršanas komandu, kā arī klientus par potenciāli krāpnieciskām transakcijām

Telemus AI™ ir izveidojis stabilus mašīnmācīšanās modeļus, lai jūsu organizācija varētu koncentrēties uz biznesa loģiku, nevis tehnisko ieviešanu.

Organizatoriskie lietojumi

Tālāk ir uzskaitītas citas potenciālās lietojumprogrammas jūsu organizācijai:

Maldinīgu darījumu atklāšana.
Maldinīgu darbinieku prasījumu atklāšana.
Neierastas organizācijas uzvedības noteikšana, izmantojot personālvadības izsekošanas sistēmas.

Potenciālie un realizētie ieguvumi

Ņemot vērā finansiālā krāpniecības milzīgos laika un naudas zaudējumus, kā arī tā izraisīto reputācijas kaitējumu un klientu neapmierinātību, aktīva krāpniecības novēršana var ietaupīt līdz pat miljoniem, pat miljardiem dolāru, atkarībā no darbības mēroga. Regulatīvās iestādes arī nepārtraukti izstrādā stingrākas atbilstības vadlīnijas. Pastāv cerība, ka finanšu iestādēm ir procesi, procedūras un sistēmas krāpniecības novēršanai un apkarošanai. Regulatīvās tehnoloģijas jeb RegTech ir jaunizaugušais lauks, kuram ir potenciāls virzīt daudzas inovācijas daudzu organizāciju operāciju departamentos, virzoties uz priekšu nākotnē.

Telemus AI™ ir Austrālijā bāzēts mākslīgā intelekta uzņēmums, kas nodrošina progresīvus risinājumus valdībām un uzņēmumiem. Sazinieties ar mums jau šodien, lai saņemtu bezmaksas konsultāciju par to, kā Telemus AI™ var integrēt jūsu organizācijā.