မက်ရှင်းလာနင်း - Isolation Forests များဖြင့် လိမ်လည်သော ငွေပေးငွေယူများကို ရှာဖွေခြင်း
နေ့ရက်တိုင်း ပိုမိုဆက်စပ်နေသော ဒီဂျစ်တယ်ကမ္ဘာတွင် ရိုးရာစတိုးဆိုင်များအတွင်းရှိ ရောင်းချသည့် terminalများမှ အွန်လိုင်းငွေပေးချေမှု ဂိတ်များအထိ စနစ်အမျိုးမျိုးမှတဆင့် ဒေါ်လာသန်းပေါင်းများစွာသော ငွေပေးချေမှုများ နေ့စဉ်ဖြစ်ပေါ်လျက်ရှိသည်။ ဤစနစ်များသည် ကြီးမားသော အခွင့်အလမ်းများကို ပေးခဲ့ပြီး ထူးခြားသော စီးပွားရေးမော်ဒယ်များဖြင့် ဆန်းသစ်သော စီးပွားရေးလုပ်ငန်းအသစ်များကို တွန်းအားပေးရာ ရောက်ခဲ့သည်။ သိသာသော အကျိုးကျေးဇူးများ ရရှိခဲ့သော်လည်း ပိုမိုရှုပ်ထွေးကျွမ်းကျင်လာသော ဆိုက်ဘာပြစ်မှုများလည်း မြန်ဆန်စွာ တိုးတက်လာခဲ့သည်။
ဆိုက်ဘာပြစ်မှုများ၏ အဖြစ်များဆုံး ပုံစံတစ်ခုမှာ ခရက်ဒစ်ကတ် လိမ်လည်ခြင်း ဖြစ်ပြီး၊ ကမ္ဘာ့ငွေရေးကြေးရေးကဏ္ဍတွင် ဖော်ပြထားသော ဒေါ်လာသန်းပေါင်းများစွာ ပါဝင်သည်။ နေ့စဉ်ဖြစ်ပေါ်သည့် ငွေပေးငွေယူမှု အရေအတွက်ကို ထောက်ထားလျှင်၊ ငွေရေးကြေးရေးအဖွဲ့အစည်းများအတွက် ဆိုက်ဘာရာဇဝတ်မှုသမားများကို တုံ့ပြန်ရန် စိန်ခေါ်မှု ရှိသည်။ မက်ချင်းလာနင်း (Machine Learning) တွင် လတ်တလော တိုးတက်မှုများသည် ငွေပေးငွေယူမှု လိမ်လည်ခြင်းများကို ဖော်ထုတ်ရန်နှင့် စစ်ဆေးရန် နည်းလမ်းအသစ်များ ပေါ်ပေါက်လာစေခဲ့သည်။ တိကျသော လိမ်လည်မှု ဖော်ထုတ်ခြင်းသည် ငွေပေးငွေယူမှု ဆက်လက်မပြုလုပ်မီ ဖောက်သည်ကို သတိပေးခြင်းနှင့် ထပ်မံအတည်ပြုခိုင်းခြင်းကဲ့သို့သော အလိုအလျောက် လျှော့ချဆောင်ရွက်သည့် မဟာဗျူဟာများကို ခွင့်ပြုသည်။
ဤဖြစ်ရပ်လေ့လာမှုသည် ခရက်ဒစ်ကတ် လိမ်လည်မှု သတ်မှတ်ရန်အတွက် မာရှင်းလာနင်း အရပ်ခံချက်နည်းလမ်းကို လေ့လာသည်။ မာရှင်းလာနင်းသည် အခြေအနေအမျိုးမျိုးတွင် ထိရောက်ကြောင်း သက်သေထင်ရှားပြီး ပမာဏကြီးမားသော ဒေတာများပေါ်တွင် လည်ပတ်ရာတွင်လည်း ထိရောက်သဖြင့် ဘဏ်လုပ်ငန်းစနစ်များကို အကောင်အထည်ဖော်သော ဆော့ဖ်ဝဲအင်ဂျင်နီယာများအတွက် မရှိမဖြစ် ထည့်သွင်းစဉ်းစားရမည့် အချက်ဖြစ်သည်။
ဉာဏ်ရည်တု (Artificial Intelligence) မှတဆင့် ပြဿနာကို ဖြေရှင်းခြင်း
မမှန်ကန်သော အရာများကို ရှာဖွေဖော်ထုတ်ခြင်းသည် ရိုးရာအရ စာရင်းအင်းဗေဒဘာသာရပ်အတွင်း ပါဝင်သည့် ပြဿနာတစ်ခုဖြစ်သည်။ ရိုးရာနည်းလမ်းများသည် ဒေတာအစုံအလင်တစ်ခုသည် ပုံမှန်ဖြန့်ဝေမှုအတွင်း ကျရောက်သည်ဟု ယူဆကြသည်။ ထို့ကြောင့် ပြင်ပအချက်အလက်များကို မည်သည့် ဒေတာအမှတ်များသည် စံနှုန်းမှ သိသိသာသာ ကွာချားသနည်းဟု လေ့လာခြင်းဖြင့် ဖော်ထုတ်ကြသည်။ ဤနည်းလမ်း၏ အားနည်းချက်မှာ ဒေတာအစုံအလင်တစ်ခုသည် ပုံမှန်အတိုင်း ဖြန့်ဝေမှုမရှိပါက နည်းပညာ၏ ထိရောက်မှုသည် ကန့်သတ်ခံရသည်။
မက်ရှင်းလာနင်း နည်းဗျူဟာများကို အသုံးပြုထားသော လတ်တလော အယ်လဂိုရီသမ် တိုးတက်မှုများကို နောက်ပိုင်းတွင် စမ်းသပ်ခဲ့ပြီး၊ ၎င်းတို့သည် အလွန်ထိရောက်ပြီး တိုးချဲ့နိုင်ကာ အထက်ပါ စာရင်းအင်းနည်းလမ်းများ၏ ကန့်သတ်ချက်များကို ကျော်လွှားနိုင်ကြောင်း သက်သေပြခဲ့သည်။ ဘဏ္ဍာရေးကဏ္ဍပြင်ပတွင် ကျယ်ကျယ်ပြန့်ပြန့် ကျင့်သုံးမှု မရှိသော်လည်း၊ ဤနည်းလမ်းများစွာကို လက်ရှိတွင် ဘဏ်လုပ်ငန်းများတွင် ထုတ်လုပ်မှုအဆင့်သို့ ရောက်ရှိစေခဲ့သည်။
2008 ခုနှစ်တွင် [1] တွင် အထွက်ပြင်ပအချက်များ (outliers) ၏ ထူးခြားသော ဂုဏ်သတ္တိကို အသုံးပြု၍ နည်းလမ်းသစ်တစ်ခု ဖော်ထုတ်ခဲ့သည်၊ ၎င်းမှာ အထွက်ပြင်ပအချက်များသည် များသောအားဖြင့် ဒေတာအမှတ်အများစုနှင့် နှိုင်းယှဉ်လျှင် သီးခြားကင်းစင်နေခြင်း ဖြစ်သည်။ ဤဂုဏ်သတ္တိကို ထည့်သွင်းစဉ်းစားလျှင်၊ ဒေတာအမှတ်တစ်ခုကို ဝန်းရံရန် ကျပန်း ပိုင်းခြားမှုများကို ဖန်တီးနိုင်ပြီး၊ ဒေတာအမှတ်တစ်ခုကို သီးခြားကင်းစင်စေရန် လိုအပ်သော ပိုင်းခြားမှု နည်းလေလေ၊ ထိုဒေတာအမှတ်သည် အထွက်ပြင်ပအချက် ဖြစ်နိုင်စရာ ပိုများလေလေ ဖြစ်သည်။ ဖော်ထုတ်ထားသော အယ်ဂိုရီသမ်သည် အချိန်ကြာသည့် ရှုပ်ထွေးမှု (linear time complexity) ရှိပြီး လေ့ကျင့်မှု ဒေတာ ကန့်သတ်ထားသည့်တိုင် ကောင်းမွန်စွာ လည်ပတ်ကြောင်း သက်သေပြခဲ့သည်။ ဤအချက်သည် ကျယ်ပြောသော လေ့ကျင့်မှု ဒေတာ လိုအပ်သည့် ရိုးရိုးနည်းလမ်းများနှင့် ကွဲပြားသည်။
အဖွဲ့အစည်းဆိုင်ရာ စိန်ခေါ်မှု အကျဉ်းချုပ်
နေ့စဉ် ဒေတာလွဲပြောင်းမှု ဘီလီယံချောင်း ဖြစ်ပေါ်နေသည်ကို ထည့်သွင်းစဉ်းစားလျှင်၊ လိမ်လည်မှု ကျောထောက်နောက်ခံများကို ရှာဖွေခြင်းနှင့် မော်ဒယ်ကို အချိန်နှင့်တပြေးတည်း လုပ်ဆောင်ခြင်းသည် စိန်ခေါ်မှုရှိသည်။ မျက်စိဖြင့် စစ်ဆေးခြင်းက ပြသနေသည်မှာ အပ်ချောင်းတစ်ချောင်းကို စပါးစပါးထဲမှာ ရှာဖွေခြင်းသည် အပ်ချောင်းတစ်ချောင်းကို ရှာဖွေသကဲ့သို့ ဖြစ်သည်။ အောက်ပါ ပုံများသည် အချိန်ကာလအလိုက် ဘဏ်လုပ်ငန်း ဒေတာလွဲပြောင်းမှုများကို ဖော်ပြထားပြီး တရားဝင်သောအရာများကို စိမ်းရောင်ဖြင့်လည်းကောင်း၊ လိမ်လည်မှုများကို နီရောင်ဖြင့်လည်းကောင်း ပြသထားသည်။ လိမ်လည်မှု ဒေတာလွဲပြောင်းမှုများကို သီးခြားထုတ်နုတ်ခြင်းသည် စိန်ခေါ်မှုရှိသည်။ ဘဏ္ဍာရေးအဖွဲ့အစည်းများသည် စည်းမျဉ်းများကို လိုက်နာရန်အတွက် လိမ်လည်မှုများကို တိုက်ဖျက်ရန် ကြိုးစားရန် လိုအပ်သည်။ ၎င်းသည် 고ာက်စတိုက်သူများ၏ မျှော်လင့်ချက်လည်း ဖြစ်သည်။ များသောအားဖြင့်၊ လိမ်လည်မှု ဖြစ်ပေါ်သောအခါ၊ ဘဏ္ဍာရေးအဖွဲ့အစည်းသည် ဖောက်သည် ကျေနပ်မှုကို 유지ရန်အတွက် ကုန်ကျစရိတ်ကို ပေးဆပ်ရသည်။
အဖွဲ့အစည်းများသည် လိမ်လည်မှု စစ်ဆေးခြင်းကဲ့သို့ ကြီးမားသော ပမာဏ လိုအပ်သည့် ပြဿနာများကို ဖြေရှင်းရန် ၎င်းတို့၏ ဒီဂျစ်တယ် အသွင်ကူးပြောင်းခြင်း ခရီးစဉ်များ၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် မက်ချင်းလာနင်း နည်းလမ်းများကို တဖြည်းဖြည်း အသုံးပြုလာကြသည်။ လိမ်လည်မှုကို စစ်ဆေးရန် အမှတ်အသားများသည် အများအားဖြင့် ဒေတာဂိုထောက်များတွင် သိမ်းဆည်းထားသည်။ သုတေသန စာရင်းအင်း နည်းပညာများသည်လည်း မက်ချင်းလာနင်း မော်ဒယ်များအတွက် ထည့်သွင်းအချက်အလက်များအဖြစ် အသုံးပြုသည့် အညွှန်းကိန်းများကို ဆုံးဖြတ်ရာတွင် အတော်အတန် တိုးတက်နေသည်။
Isolation forests ကို Kaggle ခရက်ဒစ်ကတ်ဒေတာစု [2] တွင် အသုံးပြုထားပြီး အမှားအယွင်းငွေသွင်းလုပ်ငန်းများကို ရှာဖွ်ဖော်ထုတ်ရာတွင် ၉၉% ထိရောက်သည်ဟု သက်သေပြခဲ့သည် [3]။ ယေဘုယျကျသော နည်းလမ်းတစ်ခုကို အလုပ်လုပ်သည်ဟု ဆုံးဖြတ်ပြီးနောက်၊ အများစုသော အဖွဲ့အစည်းများသည် သုတေသနပြုရန် လိုအပ်ချက်ထက် ကြီးမားသော ပမာဏဖြင့် အလုပ်လုပ်သည့် အကောင်အထည်ဖော်မှု စိန်ခေါ်မှုများကို ရင်ဆိုင်ကြရသည်။ & ဖြေရှင်းချက်တစ်ခုကို ဖွံ့ဖြိုးစေခြင်း။
ML ထည့်သွင်းအချက်အလက်အဖြစ် ရရှိနိုင်သော အဖွဲ့အစည်းဆိုင်ရာ ဒေတာ
ငွေကြေးဆိုင်ရာအဖွဲ့အစည်းများ အသုံးပြုသည့် ဒေတာရင်းမြစ်များမှာ အောက်ပါအတိုင်း ဖြစ်သည် -
- ဖောက်သည် မက်တာဒေတာ။
- ငွေပေးငွေယူ အချိန်မှတ်သားချက်များနှင့် ပမာဏများ။
- ဖောက်သည်များ၏ ငွေပေးငွေယူ မှတ်တမ်း။
- လုပ်ငန်းဆောင်ရွက်မှုများ၏ ပထဝီဝင်တည်နေရာ။
- Benford ၏ ဥပဒေ။
ပေါင်းစပ်ခြင်းနည်းဗျူဟာ
အောက်ပါသည် အဖွဲ့အစည်းတစ်ခုအတွင်း ထိုကဲ့သို့သော ဖိဒ်များကို မြင့်မားသော အဆင့်တွင် ဆန်းစစ်ရန် ကျွန်ုပ်တို့ လုပ်ဆောင်မည့် လုပ်ငန်းစဉ်၏ အကျဉ်းချုပ် ဖြစ်သည် -
- ERP စနစ်များမှ ထည့်သွင်းဒေတာများအဖြစ် အသုံးပြုနိုင်သည့် ဘဏ္ဍာရေးဆိုင်ရာ အညွှန်းကိန်းများကို ခွဲခြားသတ်မှတ်ပါ။
- အစပြု dataset တစ်ခုပေါ်တွင် isolation forest တစ်ခုကို လေ့ကျင့်ပြီး၊ နောက်ပိုင်းတွင် ပေါ်ပေါက်လာသော လိမ်လည်မှု ငွေပေးငွေယူ ပုံစံများကို ထောက်လှမ်းနိုင်သည်ကို သေချာစေရန် အနာဂတ်တွင် မော်ဒယ်ကို ဆက်လက် လေ့ကျင့်ပါ။
- ဝင်ရောက်လာသော လုပ်ငန်းဆောင်ရွက်မှုများပေါ်တွင် Isolation Forest ကို လည်ပတ်ရန်အတွက် Telemus AI™ API များကို ခေါ်ဆိုသည်၊ API သည် မော်ဒယ်ပေါ်အခြေခံ၍ လိမ်လည်မှုလုပ်ငန်းဆောင်ရွက်မှုတစ်ခု ဖြစ်နိုင်သည့် ဖြစ်နိုင်ခြေအကဲဖြတ်ချက်ကို ပြန်လည်ပေးပို့သည်။
- အကြားအနိုင်ယူနိုင်သော လိမ်လည်မှု ငွေပေးချေမှုများအတွက် လိမ်လည်မှုတိုက်ဖျက်ရေး အဖွဲ့နှင့် စားသုံးသူများကို သတိပေးရန် စိတ်ကြိုက် လုပ်ငန်းစဉ်များနှင့် လုပ်ထုံးလုပ်နည်းများကို သတ်မှတ်ပါ
Telemus AI™ တွင် ခိုင်မာသော စက်လည်သင်မော်ဒယ်များ ဖတ်ရှုနိုင်စွမ်း ရှိသောကြောင့် သင့်အဖွဲ့အစည်းသည် နည်းပညာဆိုင်ရာ အကောင်အထည်ဖော်မှုထက် စီးပွားရေး ယုတ္တိဗေဒ (business logic) ပေါ်တွင် အာရုံစိုက်နိုင်ပါသည်။
အဖွဲ့အစည်းဆိုင်ရာ အသုံးချမှုများ
အောက်ပါသည် သင့်အဖွဲ့အစည်းအတွက် အခြားဖြစ်နိုင်သော အသုံးချဆောင်များကို စာရင်းပြုစုထားခြင်း ဖြစ်သည် -
- လိမ်လည်သော ငွေကြေးလွဲပြောင်းမှုများကို ဖော်ထုတ်ခြင်း။
- ဝန်ထမ်းများ၏ လိမ်လည်သော တောင်းဆိုမှုများကို ဖော်ထုတ်ခြင်း။
- လူ့အရင်းအမြစ် စောင့်ကြည့်ရေးစနစ်များမှတဆင့် အဖွဲ့အစည်း၏ ထူးခြားသော အမူအကျင့်များကို ဆုံးဖြတ်ခြင်း။
ဖြစ်နိုင်သောနှင့် ရရှိထားသော အကျိုးကျေးဇူးများ
ငွေရေးကြေးရေး လိမ်လည်မှုကြောင့် ကုန်ကျသော အချိန်နှင့် ငွေကြေးပမာဏ အကြီးအကျယ်နှင့် ၎င်းကြောင့် ဖြစ်နိုင်သော ကျော်ကြားမှုပျက်သွားမှုနှင့် ဖောက်သည်များ မကျေနပ်မှုတို့ကို ထည့်သွင်းစဉ်းစားလျှင် လိမ်လည်မှုကို တက်ကြွစွာ ကာကွယ်ခြင်းသည် လုပ်ငန်းလည်ပတ်မှု ပမာဏပေါ် မူတည်၍ ဒေါ်လာ သန်းပေါင်းများစွာ ရော သန်းပေါင်းများစွာပါ ချွေတာနိုင်သည်။ စည်းမျဉ်းစည်းကမ်း အဖွဲ့အစည်းများသည်လည်း ပိုမိုတင်းကျပ်သော ကိုက်ညီမှု လမ်းညွှန်ချက်များကိုလည်း ဆက်လက်ထုတ်ပြန်နေသည်။ ငွေရေးကြေးရေး အဖွဲ့အစည်းများတွင် လိမ်လည်မှုကို ကာကွယ်ရန်နှင့် တိုက်ဖျက်ရန် လုပ်ငန်းစဉ်များ၊ လုပ်ထုံးလုပ်နည်းများနှင့် စနစ်များ ရှိရန် မျှော်လင့်ထားသည်။ စည်းမျဉ်းစည်းကမ်းဆိုင်ရာ နည်းပညာများ သို့မဟုတ် RegTech သည် အဖွဲ့အစည်းများစွာ၏ လည်ပတ်မှုဌာနများအတွင်း ဆန်းသစ်တီထွင်မှုများစွာကို အနာဂတ်တွင် မောင်းနှင်ရန် အခွင့်အလမ်းရှိသော ထွက်ပေါ်လာသည့် နယ်ပယ်တစ်ခုဖြစ်သည်။
Telemus AI™ သည် အစိုးရနှင့် စီးပွားရေးလုပ်ငန်းများအတွက် အဆင့်မြင့် ဖြေရှင်းနည်းများကို ပံ့ပိုးပေးသည့် ဩစတြေးလျအခြေစိုက် ဉာဏ်ရည်တု ကုမ္ပဏီတစ်ခု ဖြစ်သည်။ Telemus AI™ ကို သင့်အဖွဲ့အစည်းတွင် မည်သို့ ပေါင်းစပ်အသုံးပြုနိုင်မည်ကို အခမဲ့ အကြံပြုချက်ရရှိရန် ယနေ့ပင် ကျွန်ုပ်တို့ကို ဆက်သွယ်ပါ။
ကိုးကားချက်များ
[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, နှင့် Zhi-Hua Zhou
[2] - ခရက်ဒစ်ကတ် လိမ်လည်မှု ရှာဖွ်ဖော်ထုတ်ခြင်း - Kaggle
[3] - ခရက်ဒစ်ကတ် လိမ်လည်မှု ရှာဖွေခြင်းတွင် မက်ရှင်းလာနင်း - S Joel Franklin
