मशीन लर्निंग - आयसोलेशन फॉरेस्टसह फ्रॉड व्यवहार शोधणे

2008 मध्ये [1] मध्ये एक नवीन दृष्टिकोन विकसित करण्यात आला, ज्यामध्ये आउटलायरचा एक अनन्य गुणधर्म वापरला, जो म्हणजे आउटलायर सामान्यतः बहुतांश डेटा पॉइंट्सच्या तुलनेत विलग असतात. हा गुणधर्म लक्षात घेता, डेटा पॉइंट वेढण्यासाठी डेटा पॉइंट्सभोवती यादृच्छिक विभाजने तयार करणे शक्य आहे, एखादा डेटा पॉइंट विलग करण्यासाठी आवश्यक विभाजने जितकी कमी असतील, तितका असा डेटा पॉइंट आउटलायर असण्याची शक्यता जास्त असते. विकसित केलेल्या अल्गोरिदमची रेखीय वेळ जटिलता आहे आणि मर्यादित प्रशिक्षण डेटा उपलब्ध असतानाही ते चांगले काम करते हे सिद्ध झाले आहे; हे विस्तृत प्रशिक्षण डेटा मागणाऱ्या विशिष्ट दृष्टिकोनांशी विरोधाभासी आहे.

संस्थात्मक आव्हानाचे विहंगावलोकन

दररोज अब्जावधी व्यवहार होत असल्याचा विचार करता, फसवणुकीचे विचित्र मूल्य शोधणे आणि रिअल-टाइममध्ये मॉडेल चालवणे आव्हानात्मक आहे. एक दृश्य तपासणी हे स्पष्ट करते की गवताच्या गंजमध्ये सुई शोधणे हे सुई शोधण्यासारखे आहे. खालील प्रतिमा कालांतराने बँकिंग व्यवहार दर्शवतात, ज्यामध्ये वैध हिरवे आणि फसवणूकदार लाल आहेत. फसवणुकीचे व्यवहार वेगळे करणे आव्हानात्मक आहे. वित्तीय संस्थांनी नियमांचे पालन करण्यासाठी फसवणूक रोखण्याचा प्रयत्न करणे आवश्यक आहे. हा ग्राहकांचा देखील अपेक्षा आहे. सामान्यतः, जेव्हा फसवणूक होते, तेव्हा ग्राहकांची समाधान राखण्यासाठी वित्तीय संस्था खर्च भरते.

फसवणूक शोधण्यासारख्या स्केलची आवश्यकता असलेल्या समस्या सोडवण्यासाठी संस्था त्यांच्या डिजिटल ट्रान्सफॉर्मेशन प्रवासाचा भाग म्हणून मशीन लर्निंग पद्धतींकडे वळत आहेत. फसवणूक शोधणारे अनेक मेकर्स सामान्यतः डेटा वेअरहाऊसमध्ये साठवले जातात. मशीन लर्निंग मॉडेलसाठी इनपुट म्हणून वापरल्या जाणाऱ्या मेट्रिक्स निश्चित करण्यात फॉरेन्सिक अकाउंटिंग तंत्रे देखील खूप प्रगत आहेत.

आयसोलेशन फॉरेस्ट Kaggle क्रेडिट कार्ड डेटासेट [2] वर लागू केले गेले आहे आणि फसवणूकीचे व्यवहार शोधण्यात 99% प्रभावी असल्याचे सिद्ध झाले आहे [3]. एक सामान्य दृष्टिकोन निश्चित केला गेला आहे जो कार्य करतो, अधिकांश संस्थांना अंमलबजावणीच्या आव्हानांचा सामना करावा लागतो जे मोठ्या प्रमाणावर कार्य करतात, त्याऐवजी संशोधन करावा लागतो & एक उपाय विकसित करा.

ML इनपुट म्हणून उपलब्ध संस्थात्मक डेटा

वित्तीय संस्थांद्वारे वापरले जाणारे डेटा स्रोत खालीलप्रमाणे आहेत:

• ग्राहक मेटा-डेटा.
• व्यवहार टाइमस्टॅम्प आणि रक्कम.
• ग्राहकांचा व्यवहार इतिहास.
• व्यवहारांचे भौगोलिक स्थान.
• बेनफोर्डचा नियम.

एकत्रीकरण पद्धती

संस्थेअंतर्गत अशा फीडचे विश्लेषण करण्यासाठी आम्ही उच्च स्तरावर करू शकू अशा प्रक्रियेचे थोडक्यात वर्णन खालीलप्रमाणे आहे:

• ERP प्रणालींमधील आर्थिक मेट्रिक्स ओळखा जे इनपुट म्हणून वापरले जाऊ शकतात.
• प्रारंभिक डेटासेटवर आयसोलेशन फॉरेस्ट तयार करा, आणि अलीकडील फसवणूक व्यवहार नमुने शोधण्यासाठी त्याची खात्री करण्याकरिता भविष्यात मॉडेलचे प्रशिक्षण सुरू ठेवा.
• येणाऱ्या व्यवहारांवर आयसोलेशन फॉरेस्ट चालवण्यासाठी Telemus AI™ API ला कॉल करत आहे, API मॉडेलवर आधारित फसवणूक व्यवहाराच्या संभाव्यतेचा संभाव्य अंदाज परत करते.
• संभाव्य फसवणुकीच्या व्यवहारांबाबत फ्रॉड टीम आणि ग्राहकांना सूचित करण्यासाठी सानुकूलित कार्यप्रवाह आणि प्रक्रिया सेट करा

Telemus AI™ ला मजबूत मशीन लर्निंग मॉडेल्स वाचण्यासाठी सेट केले आहे जेणेकरून तुमची संस्था तांत्रिक अंमलबजावणीऐवजी व्यवसाय तर्कशास्त्रावर लक्ष केंद्रित करू शकेल.

संस्थात्मक अनुप्रयोग

आपल्या संस्थेसाठी इतर संभाव्य अनुप्रयोगांच्या याद्या खालीलप्रमाणे आहेत:

• फसवणुकीचे व्यवहार शोधणे.
• फसवणुकीचे कर्मचारी दावे शोधणे.
• मानवी संसाधन ट्रॅकिंग प्रणालींद्वारे असामान्य संस्थात्मक वर्तन निर्धारित करणे.

संभाव्य आणि साक्षात फायदे

आर्थिक फसवणूकीमुळे होणारा वेळ आणि पैशांचा विपुल तोटा आणि त्यामुळे होणारे प्रतिष्ठेचे नुकसान आणि ग्राहकांचा असंतोष लक्षात घेता, फसवणूक थेट रोखल्यास ऑपरेशनच्या प्रमाणावर अवलंबून लाखो, अगदी अब्ज डॉलर्सपर्यंतची बचत होऊ शकते. नियामक संस्थाही सतत अधिक कठोर अनुपालन मार्गदर्शक तत्त्वे आणत आहेत. असी अपेक्षा आहे की वित्तीय संस्थांकडे फसवणूक रोखण्यासाठी आणि त्याशी लढण्यासाठी प्रक्रिया, पद्धती आणि प्रणाली असतील. नियामक तंत्रज्ञान, किंवा RegTech हे एक उदयोन्मुख क्षेत्र आहे ज्यामध्ये भविष्यात अनेक संस्थांच्या ऑपरेशन विभागांमध्ये अनेक नावीन्यपूर्ण बदल घडवण्याची क्षमता आहे.

Telemus AI™ ही ऑस्ट्रेलियात आधारित कृत्रिम बुद्धिमत्ता कंपनी आहे जी सरकार आणि उद्योगांना प्रगत उपाययोजना प्रदान करते. Telemus AI™ ला तुमच्या संस्थेत कसे एकत्रित केले जाऊ शकते यावरील विनामूल्य सल्ल्यासाठी आजच आमच्याशी संपर्क साधा.

संदर्भ

[1] - आयसोलेशन फॉरेस्ट - फेई टोनी लिऊ, काई मिंग टिंग, आणि झी-हुआ झोऊ
[2] - क्रेडिट कार्ड फसवणूक शोध - Kaggle
[3] - क्रेडिट कार्ड फ्रॉड डिटेक्शनमध्ये मशीन लर्निंग - S Joel Franklin