Машинско учење - Детекција на измамнички трансакции со изолациски шуми

Нов пристап беше развиен во 2008 година во [1] преку искористување на единствена особина на аутлаерите, а тоа е дека аутлаерите типично се изолирани во однос на мнозинството од точките на податоци. Со оглед на оваа особина, можно е да се генерираат случајни партиции околу точките на податоци за да се огради точка на податоци; колку што се потребни помалку партиции за изолирање на точка на податоци, толку е поверојатно дека таквата точка на податоци е аутлаер. Развиениот алгоритам има линеарна временска комплексност и е докажано дека работи добро дури и кога се достапни ограничени тренинг податоци; ова е во контраст со типичните пристапи кои бараат обемни тренинг податоци.

Преглед на организацискиот предизвик

Имајќи предвид дека милијарди трансакции се случуваат дневно, откривањето измамнички аномалии и извршувањето на модел во реално време е предизвик. Визуелната инспекција истакнува дека наоѓањето игла во сено е како наоѓање игла. Следните слики илустрираат банкарски трансакции низ времето, со легитимни зелени и измамнички црвени. Тешко е да се изолираат измамничките трансакции. Финансиските институции се должни да се обидат да се борат против измамата за да ги почитуваат прописите. Тоа е и очекување на клиентите. Обично, кога се случува измама, финансиската институција ги плаќа трошоците за да ја одржи задоволството на клиентите.

Организациите се сè повеќе свртуваат кон методите за машинско учење како дел од нивните патеки на дигитална трансформација за решавање проблеми што бараат размерба како откривање измами. Многу од маркерите за откривање измами обично се складирани во магацини за податоци. Форензичките сметководствени техники исто така се прилично напредни во одредувањето метрики што се користат како влезови за модели на машинско учење.

Шумите на изолација се применети на Kaggle сетот на податоци за кредитни картички [2] и е демонстрирано дека се 99% ефективни во откривањето измамнички трансакции [3]. Имајќи предвид дека е утврден општ пристап кој функционира, повеќето организации се соочуваат со предизвици за имплементација кои работат во голем обем наместо да мораат да истражуваат & развиете решение.

Организациони податоци достапни како ML влез

Извори на податоци што ги користат финансиските институции се следниве:

• Метаподатоци за клиенти.
• Временски ознаки и износи на трансакции.
• Историја на трансакции на клиентите.
• Географската локација на трансакциите.
• Бенфордов закон.

Методологија за интеграција

Следниот текст е преглед на процесот што би го извршиле на високо ниво за анализа на такви извори во рамките на една организација:

• Идентификувајте финансиски метрики од ERP системи што може да се користат како влезови.
• Тренирајте изолациона шума на почетен сет на податоци и продолжете да го тренирате моделот и во иднина за да се осигурате дека ќе ги детектира поновите обрасци на измамнички трансакции.
• Со повикување на Telemus AI™ API-ите за извршување на Изолационата шума на дојдовните трансакции, API-от враќа probabilистичка проценка на веројатноста за измамничка трансакција врз основа на моделот.
• Поставете прилагодени работни текови и процеси за известување на тимот за измами, како и на клиентите за потенцијално измамнички трансакции

Telemus AI™ има робусни модели за машинско учење кои читаат, за да може вашата организација да се фокусира на деловната логика наместо на техничката имплементација.

Организациски апликации

Следниот текст ги наведува други потенцијални апликации за вашата организација:

• Откривање измамнички трансакции.
• Откривање измамнички барања од вработени.
• Одредување на невообичаено организационо однесување преку системи за следење на човечки ресурси.

Потенцијални и реализирани придобивки

Имајќи ја предвид огромната големина на време и пари што ги чини финансиската измама, како и штетата врз репутацијата и незадоволството на клиентите што може да ги предизвика, активното спречување на измама може да заштеди до милиони, дури и милијарди долари, во зависност од размерот на операциите. Регулаторните тела исто така постојано изнесуваат построги насоки за усогласеност. Постои очекување финансиските институции да имаат процеси, процедури и системи за спречување и борба против измама. Регулаторните технологии, или RegTech, е нова област што има потенцијал да ги движи многу иновации во оперативните оддели на многу организации движејќи се напред во иднината.

Telemus AI™ е австралиска компанија за вештачка интелигенција која обезбедува напредни решенија за влада и претпријатија. Контактирајте со нас денес за бесплатна консултација за тоа како Telemus AI™ може да биде интегриран во вашата организација.

Референци

[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, и Zhi-Hua Zhou
[2] - Откривање измама со кредитна картичка - Kaggle
[3] - Машинско учење во откривање измами со кредитни картички - S Joel Franklin