Maskinlæring - Deteksjon av svindeltransaksjoner med isolasjonsskoger

I en stadig mer sammenkoblet digital verden skjer milliarder av transaksjoner hver dag via ulike systemer, fra salgsstedsterminaler i tradisjonelle butikker til nettbaserte betalingsportaler. Disse systemene har gitt store muligheter og bidratt til å drive nye innovative virksomheter med unike forretningsmodeller. Selv om det har vært betydelige fordeler, har det også vært en kraftig økning i stadig mer sofistikert nettkriminalitet.

En av de vanligste formene for nettkriminalitet er kredittkortsvindel, som utgjør milliarder av dollar registrert i den finansielle sektoren globalt. Gitt antall transaksjoner som skjer hver dag, er det utfordrende for finansielle institusjoner å bekjempe nettkriminelle; nylige fremskritt innen maskinlæring har gitt opphav til nye metoder for å identifisere og oppdage falske transaksjoner. Nøyaktig identifisering av svindel muliggjør automatiserte begrensende strategier, som å varsle kunden og be om ytterligere bekreftelse før en transaksjon fortsetter.

Denne casestudien utforsker en maskinlæringsorientert tilnærming til identifisering av kredittkortsvindel. Maskinlæring har vist seg å være effektivt i mange ulike sammenhenger og er også effektivt å kjøre på store datamengder, et essensielt hensyn for programvareingeniører som implementerer bank systemer.

Løse problemet via kunstig intelligens

Oppdagelse av anomalier har tradisjonelt vært et problem som faller innenfor statistikkfeltet. Konvensjonelle metoder forutsetter at et datasett faller innenfor normalfordelingen. Dermed oppdages uteliggere ved å observere hvilke datapunkter som avviker betydelig fra normen. Ulempen med denne metoden er at hvis et datasett ikke er normalfordelt, er teknikkens effektivitet begrenset.

Anomalideteksjon i maskinlæring som isolerer et avvikende punkt

Maskinlæringsmetoder som bruker nylige algoritmiske fremskritt ble senere forsøkt, noe som viste seg å være svært effektivt, skalerbart og overvinner de nevnte begrensningene ved statistiske metoder. Selv om de ikke er vidt adoptert utenfor finanssektoren, har mange av disse metodene for tiden blitt satt i produksjon innen bank.

En ny tilnærming ble utviklet i 2008 i [1] ved å utnytte en unik egenskap ved uteliggere, nemlig at uteliggere typisk er isolert i forhold til et flertall av datapunktene. Gitt denne egenskapen er det mulig å generere tilfeldige partisjoner rundt datapunkter for å lukke inn et datapunkt; jo færre partisjoner som kreves for å isolere et datapunkt, jo mer sannsynlig er det at et slikt datapunkt er en uteligger. Algoritmen som ble utviklet har en lineær tidskompleksitet og har vist seg å fungere godt selv når begrenset treningsdata er tilgjengelig; dette står i kontrast til typiske tilnærminger som krever omfattende treningsdata.

Animasjon av kredittkortsvindel

Oversikt over den organisatoriske utfordringen

Med tanke på at milliarder av transaksjoner skjer daglig, er det utfordrende å oppdage falske avvik og kjøre en modell i sanntid. En visuell inspeksjon fremhever at å finne en nål i en høystakk er som å finne en nål. Følgende bilder illustrerer banktransaksjoner over tid, med legitime i grønt og falske i rødt. Det er utfordrende å isolere falske transaksjoner. Finansinstitusjoner er pålagt å forsøke å bekjempe svindel for å overholde regler. Det er også en forventning fra kundene. Vanligvis, når svindel oppstår, dekker finansinstitusjonen kostnaden for å opprettholde kundetilfredshet.

Kredittkorttransaksjoner spredningsplott

Kredittkorttransaksjoner pakket boblediagram

Organisasjoner vender i økende grad til maskinlæringsmetoder som en del av sine digitale transformasjonsreiser for å løse problemer som krever skala, som svindeldeteksjon. Mange av indikatorene for å oppdage svindel er typisk lagret i datavarehus. Forensiske regnskapsteknikker er også ganske avanserte når det gjelder å bestemme beregninger som brukes som inndata for maskinlæringsmodeller.

Isolasjonsskoger har blitt anvendt på Kaggle-datasettet for kredittkort [2] og har vist seg å være 99 % effektive i å oppdage falske transaksjoner [3]. Gitt at en generell tilnærming som fungerer er bestemt, står de fleste organisasjoner overfor implementeringsutfordringer som fungerer i stor skala, snarere enn å måtte forske & utvikle en løsning.

Organisatoriske data tilgjengelig som ML-inndata

Datakilder brukt av finansielle institusjoner er som følger:

Kundemetadata.
Transaksjonstidsstempler og beløp.
Kunders transaksjonshistorikk.
Den geografiske plasseringen av transaksjoner.
Benfords lov.

Integrasjonsmetodikk

Følgende er en oversikt over prosessen vi ville utført på et overordnet nivå for å analysere slike strømmer innen en organisasjon:

Identifiser finansielle beregninger fra ERP-systemer som kan brukes som inndata.
Tren en isolasjonsskog på et opprinnelig datasett, og fortsett å trene modellen fremover i tid for å sikre at den oppdager de nyere mønstrene for svindeltransaksjoner.
Ved å kalle Telemus AI™-API-er for å kjøre Isolation Forest på innkommende transaksjoner, returnerer API-et en sannsynlighetsbasert estimat for sannsynligheten for en svindeltransaksjon basert på modellen.
Sett opp tilpassede arbeidsflyter og prosesser for å varsle svindelteamet samt kunder om potensielt svindeltransaksjoner

Telemus AI™ har robuste maskinlæringsmodeller som leser, slik at din organisasjon kan fokusere på forretningslogikken i stedet for den tekniske implementeringen.

Organisatoriske applikasjoner

Følgende viser andre potensielle applikasjoner for din organisasjon:

Oppdage falske transaksjoner.
Oppdage falske ansattkrav.
Bestemme uvanlig organisatorisk atferd via systemer for sporing av menneskelige ressurser.

Potensielle og realiserte fordeler

Gitt det enorme omfanget av tid og penger som finansielt svindel koster, og det omdømmetapet og kundemisnøyen det kan forårsake, kan aktiv forebygging av svindel spare opp til millioner, til og med milliarder av dollar, avhengig av operasjonens skala. Reguleringsorganer kommer også kontinuerlig med strengere retningslinjer for samsvar. Det forventes at finansielle institusjoner har prosesser, prosedyrer og systemer for å forhindre og bekjempe svindel. Regulatorisk teknologi, eller RegTech, er et fremvoksende felt som har potensial til å drive mange innovasjoner innen operasjonsavdelingene i mange organisasjoner fremover.

Telemus AI™ er et Australia-basert selskap for kunstig intelligens som tilbyr avanserte løsninger til regjering og næringsliv. Kontakt oss i dag for en gratis konsultasjon om hvordan Telemus AI™ kan integreres i din organisasjon.