Pembelajaran Mesin - Mengesan Transaksi Penipuan dengan Hutan Pencilan

Dalam dunia digital yang semakin saling berhubung, berbilion transaksi berlaku setiap hari melalui pelbagai sistem, daripada terminal jualan titik dalam kedai tradisional kepada gerbang pembayaran dalam talian. Sistem ini telah memberikan peluang yang hebat dan membantu memacu perniagaan inovatif baharu dengan model perniagaan yang unik. Walaupun terdapat manfaat yang ketara, terdapat juga peningkatan mendadak dalam jenayah siber yang semakin canggih.

Salah satu bentuk jenayah siber yang paling biasa ialah penipuan kad kredit, menyumbang kepada berbilion dolar yang disenaraikan dalam sektor kewangan global. Memandangkan bilangan transaksi yang berlaku setiap hari, ia adalah mencabar bagi institusi kewangan untuk memerangi penjenayah siber; kemajuan terkini dalam Pembelajaran Mesin telah memberi laluan kepada kaedah baharu untuk mengenal pasti dan mengesan transaksi penipuan. Pengenalpastian penipuan yang tepat membolehkan strategi mitigasi automatik seperti memberi amaran kepada pelanggan dan meminta pengesahan lanjutan sebelum transaksi diteruskan.

Kajian kes ini meneroka pendekatan berasaskan pembelajaran mesin kepada pengenalpastian penipuan kad kredit. Pembelajaran Mesin telah terbukti berkesan dalam banyak tetapan berbeza dan juga cekap dalam menjalankan kuantiti data yang besar, satu pertimbangan penting bagi jurutera perisian yang melaksanakan sistem perbankan.

Menyelesaikan Masalah melalui Kecerdasan Buatan

Mengesan anomali secara tradisinya merupakan masalah yang berada dalam bidang statistik. Kaedah konvensional menganggap set data berada dalam taburan normal. Oleh itu, pencilan dikesan dengan memerhati titik data mana yang menyimpang dengan ketara daripada norma. Kelemahan kaedah ini ialah jika set data tidak bertaburan secara normal, keberkesanan teknik adalah terhad.

Pengesanan anomali pembelajaran mesin mengasingkan titik anomali

Pendekatan Pembelajaran Mesin menggunakan kemajuan algoritma terkini kemudiannya dicuba, yang terbukti sangat berkesan, berskala dan mengatasi had kaedah statistik yang disebutkan di atas. Walaupun tidak digunakan secara meluas di luar sektor kewangan, banyak kaedah ini telah dikomersialkan dalam perbankan pada masa ini.

Pendekatan baharu telah dibangunkan pada 2008 dalam [1] dengan mengeksploitasi ciri unik pencilan, iaitu pencilan biasanya terasing berbanding majoriti titik data. Memandangkan ciri ini, adalah mungkin untuk menjana pembahagian rawak sekitar titik data untuk melampirkan titik data, semakin sedikit pembahagian diperlukan untuk mengasingkan titik data, semakin berkemungkinan titik data sedemikian ialah pencilan. Algoritma yang dibangunkan mempunyai kerumitan masa linear dan terbukti berfungsi dengan baik walaupun apabila data latihan terhad terdapat; ini berbeza dengan pendekatan biasa yang memerlukan data latihan yang meluas.

Animasi Penipuan Kad Kredit

Gambaran Keseluruhan Cabaran Organisasi

Memandangkan berbilion transaksi berlaku setiap hari, mengesan penipuan terpencil dan menjalankan model dalam masa nyata adalah mencabar. Pemeriksaan visual menyerlahkan bahawa mencari jarum dalam jerami adalah seperti mencari jarum. Imej berikut menggambarkan transaksi perbankan dari semasa ke semasa, dengan yang sah berwarna hijau dan yang palsu berwarna merah. Adalah mencabar untuk mengasingkan transaksi penipuan. Institusi kewangan dikehendaki untuk berusaha membanteras penipuan bagi mematuhi peraturan. Ia juga merupakan jangkaan pelanggan. Biasanya, apabila penipuan berlaku, institusi kewangan menanggung kos untuk mengekalkan kepuasan pelanggan.

Plot Serakan Transaksi Kad Kredit

Carta Gelembung Terpadat Transaksi Kad Kredit

Organisasi semakin beralih kepada kaedah pembelajaran mesin sebagai sebahagian daripada perjalanan transformasi digital mereka untuk menyelesaikan masalah yang memerlukan skala seperti pengesanan penipuan. Many pembuat untuk mengesan penipuan biasanya disimpan dalam gudang data. Teknik perakaanan forensik juga agak maju dalam menentukan metrik yang digunakan sebagai input untuk model pembelajaran mesin.

Hutan pencilan telah digunakan pada set data kad kredit Kaggle [2] dan telah ditunjukkan 99% berkesan dalam mengesan transaksi penipuan [3]. Memandangkan pendekatan umum yang berkesan telah ditentukan, kebanyakan organisasi menghadapi cabaran pelaksanaan yang berfungsi pada skala besar dan bukannya perlu melakukan penyelidikan & membangunkan penyelesaian.

Data Organisasi Tersedia sebagai Input ML

Sumber data yang digunakan oleh institusi kewangan adalah seperti berikut:

Meta-data pelanggan.
Cap masa transaksi dan jumlah.
Sejarah transaksi pelanggan.
Lokasi geografi transaksi.
Undang-undang Benford.

Metodologi Integrasi

Berikut ialah gambaran keseluruhan proses yang akan kami lakukan pada tahap tinggi untuk menganalisis suapan sedemikian dalam sesebuah organisasi:

Kenal pasti metrik kewangan daripada sistem ERP yang boleh digunakan sebagai input.
Latih hutan pengasingan pada set data awal, dan teruskan melatih model ini pada masa hadapan untuk memastikan ia mengesan corak transaksi penipuan yang lebih terkini.
Memanggil API Telemus AI™ untuk menjalankan Hutan Pencilan ke atas transaksi masuk, API mengembalikan anggaran probabilistik kemungkinan transaksi penipuan berdasarkan model.
Sediakan aliran kerja dan proses tersuai untuk memberi amaran kepada pasukan penipuan serta pelanggan mengenai transaksi yang berpotensi penipuan

Telemus AI™ mempunyai model pembelajaran mesin yang teguh dibaca supaya organisasi anda boleh fokus kepada logik perniagaan dan bukannya pelaksanaan teknikal.

Aplikasi Organisasi

Berikut menyenaraikan potensi aplikasi lain untuk organisasi anda:

Mengesan transaksi penipuan.
Mengesan tuntutan pekerja yang penipuan.
Menentukan tingkah laku organisasi yang luar biasa melalui sistem penjejakan sumber manusia.

Manfaat Berpotensi dan Direalisasikan

Memandangkan magnitud masa dan wang yang besar yang ditanggung akibat penipuan kewangan serta kerosakan reputasi dan ketidakpuasan pelanggan yang boleh ditimbulkannya, pencegahan penipuan secara aktif boleh menjimatkan sehingga berjuta-juta, malah berbilion dolar, bergantung pada skala operasi. Badan kawal selia juga sentiasa mengeluarkan garis panduan pematuhan yang lebih ketat. Terdapat jangkaan bahawa institusi kewangan mempunyai proses, prosedur, dan sistem untuk mencegah dan memerangi penipuan. Teknologi kawal selia, atau RegTech ialah bidang yang sedang muncul dan berpotensi untuk memacu banyak inovasi dalam jabatan operasi banyak organisasi ke arah masa hadapan.

Telemus AI™ ialah syarikat kecerdasan buatan berpangkalan di Australia yang menyediakan penyelesaian termaju kepada kerajaan dan perusahaan. Hubungi kami hari ini untuk perundingan percuma tentang cara Telemus AI™ boleh disepadukan ke dalam organisasi anda.