Uczenie maszynowe - Wykrywanie oszukańczych transakcji za pomocą lasów izolacji

W coraz bardziej połączonym cyfrowym świecie codziennie odbywają się miliardy transakcji za pośrednictwem różnych systemów, od terminali punktów sprzedaży w tradycyjnych sklepach po bramki płatności online. Systemy te stworzyły ogromne możliwości i pomogły napędzić nowe innowacyjne firmy z unikalnymi modelami biznesowymi. Choć przyniosły one znaczące korzyści, nastąpił również gwałtowny wzrost coraz bardziej wyrafinowanej przestępczości cybernetycznej.

Jedną z najczęstszych form przestępczości cybernetycznej jest oszustwo kart kredytowych, odpowiadające za miliardy dolarów wykazane w sektorze finansowym na całym świecie. Biorąc pod uwagę liczbę transakcji, które odbywają się każdego dnia, instytucjom finansowym trudno jest zwalczać cyberprzestępców; ostatnie postępy w uczeniu maszynowym dały początek nowym metodom identyfikacji i wykrywania transakcji oszukańczych. Dokładna identyfikacja oszustw pozwala na zautomatyzowane strategie łagodzące, takie jak powiadamianie klienta i żądanie dalszego potwierdzenia przed kontynuowaniem transakcji.

Ta analiza przypadku bada zorientowane na uczenie maszynowe podejście do identyfikacji oszustw z kartami kredytowymi. Uczenie maszynowe okazało się skuteczne w wielu różnych środowiskach i jest również wydajne w działaniu na dużych wolumenach danych, co jest kluczowym zagadnieniem dla inżynierów oprogramowania wdrażających systemy bankowe.

Rozwiązanie problemu za pomocą sztucznej inteligencji

Wykrywanie anomalii tradycyjnie było problemem leżącym w dziedzinie statystyki. Konwencjonalne metody zakładają, że zbiór danych podlega rozkładowi normalnemu. W ten sposób wartości odstające są wykrywane poprzez obserwację, które punkty danych znacząco odbiegają od normy. Wadą tej metody jest to, że jeśli zbiór danych nie ma rozkładu normalnego, skuteczność techniki jest ograniczona.

Wykrywanie anomalii w uczeniu maszynowym izolujące punkt anomalny

Później podjęto próby zastosowania podejść uczenia maszynowego wykorzystujących najnowsze osiągnięcia algorytmiczne, które okazały się wysoce skuteczne, skalowalne i pokonują wyżej wymienione ograniczenia metod statystycznych. Chociaż nie są powszechnie stosowane poza sektorem finansowym, wiele z tych metod jest obecnie wdrożonych produkcyjnie w bankowości.

Nowatorskie podejście zostało opracowane w 2008 roku w [1] poprzez wykorzystanie unikalnej właściwości wartości odstających, polegającej na tym, że wartości odstające są zazwyczaj izolowane względem większości punktów danych. Biorąc pod uwagę tę właściwość, możliwe jest generowanie losowych partycji otaczających punkty danych w celu objęcia punktu danych; im mniej partycji требуется do odizolowania punktu danych, tym bardziej prawdopodobne jest, że taki punkt danych jest wartością odstającą. Opracowany algorytm ma liniową złożoność czasową i udowodniono, że działa dobrze nawet wtedy, gdy dostępne są ograniczone dane treningowe; kontrastuje to z typowymi podejściami, które wymagają obszernych danych treningowych.

Animacja oszustw z kartami kredytowymi

Przegląd wyzwania organizacyjnego

Biorąc pod uwagę, że codziennie dochodzi do miliardów transakcji, wykrywanie oszukańczych anomalii i uruchamianie modelu w czasie rzeczywistym jest trudne. Wizualna inspekcja pokazuje, że znalezienie igły w stogu siana jest jak znalezienie igły. Poniższe obrazy ilustrują transakcje bankowe w czasie, z legalnymi na zielono i oszukańczymi na czerwono. Wyizolowanie oszukańczych transakcji jest trudne. Instytucje finansowe są zobowiązane do podejmowania prób zwalczania oszustw w celu zachowania zgodności z przepisami. Jest to również oczekiwanie klientów. Zazwyczaj, gdy dochodzi do oszustwa, instytucja finansowa ponosi koszty, aby utrzymać zadowolenie klienta.

Wykres punktowy transakcji kartami kredytowymi

Wykres bąbelkowy transakcji kartami kredytowymi

Organizacje coraz częściej zwracają się ku metodom uczenia maszynowego w ramach swoich podróży transformacji cyfrowej, aby rozwiązywać problemy wymagające skali, takie jak wykrywanie oszustw. Wiele z markerów do wykrywania oszustw jest zazwyczaj przechowywanych w magazynach danych. Techniki księgowości śledczej są również dość zaawansowane w określaniu metryk używanych jako dane wejściowe dla modeli uczenia maszynowego.

Lasy izolacji zostały zastosowane na zbiorze danych kart kredytowych Kaggle [2] i wykazano, że są skuteczne w 99% w wykrywaniu oszukańczych transakcji [3]. Biorąc pod uwagę, że określono ogólne podejście, które działa, większość organizacji staje przed wyzwaniami wdrożeniowymi na dużą skalę, zamiast konieczności prowadzenia badań & rozwiń rozwiązanie.

Dane organizacyjne dostępne jako dane wejściowe ML

Źródła danych używane przez instytucje finansowe są następujące:

Metadane klientów.
Znaczniki czasowe i kwoty transakcji.
Historia transakcji klientów.
Lokalizacja geograficzna transakcji.
Prawo Benforda.

Metodologia integracji

Poniżej znajduje się przegląd procesu, który przeprowadzilibyśmy na wysokim poziomie w celu analizy takich strumieni w organizacji:

Zidentyfikuj wskaźniki finansowe z systemów ERP, które mogą być wykorzystane jako dane wejściowe.
Wytrenuj las izolacji na początkowym zbiorze danych i kontynuuj trenowanie modelu w przyszłości, aby upewnić się, że wykrywa on nowsze wzorce oszustw transakcyjnych.
Wywołując API Telemus AI™ w celu uruchomienia algorytmu Isolation Forest na transakcjach przychodzących, API zwraca probabilistyczne oszacowanie prawdopodobieństwa oszustwa w transakcji na podstawie modelu.
Skonfiguruj spersonalizowane przepływy pracy i procesy, aby powiadamiać zespół ds. oszustw oraz klientów o potencjalnie oszukańczych transakcjach

Telemus AI™ posiada solidne modele uczenia maszynowego, dzięki czemu Twoja organizacja może skupić się na logice biznesowej, a nie na implementacji technicznej.

Zastosowania organizacyjne

Poniższa lista innych potencjalnych zastosowań dla Twojej organizacji:

Wykrywanie oszukańczych transakcji.
Wykrywanie fałszywych roszczeń pracowników.
Wykrywanie nietypowych zachowań organizacyjnych za pomocą systemów śledzenia zasobów ludzkich.

Potencjalne i zrealizowane korzyści

Biorąc pod uwagę ogromną skalę czasu i pieniędzy, jakie kosztuje oszustwo finansowe, oraz szkody reputacyjne i niezadowolenie klientów, jakie może spowodować, aktywne zapobieganie oszustwom może przynieść oszczędności rzędu milionów, a nawet miliardów dolarów, w zależności od skali działania. Organy regulacyjne również nieustannie wprowadzają bardziej rygorystyczne wytyczne dotyczące zgodności. Oczekuje się, że instytucje finansowe będą posiadać procesy, procedury i systemy zapobiegające oszustwom i z nimi walczące. Technologie regulacyjne, czyli RegTech, to wschodząca dziedzina, która ma potencjał napędzać wiele innowacji w działach operacyjnych wielu organizacji w przyszłości.

Telemus AI™ to australijska firma zajmująca się sztuczną inteligencją, dostarczająca zaawansowane rozwiązania dla administracji rządowej i przedsiębiorstw. Skontaktuj się z nami już dziś, aby uzyskać bezpłatną konsultację na temat tego, jak Telemus AI™ może być zintegrowane z Twoją organizacją.