Machine Learning - Detectarea tranzacțiilor frauduloase cu Isolation Forests

O abordare nouă a fost dezvoltată în 2008 în [1] prin exploatarea unei proprietăți unice a valorilor aberante, și anume că valorile aberante sunt de obicei izolate în raport cu majoritatea punctelor de date. Având în vedere această proprietate, este posibil să se genereze partiții aleatorii în jurul punctelor de date pentru a izola un punct de date; cu cât sunt necesare mai puține partiții pentru a izola un punct de date, cu atât este mai probabil ca un astfel de punct de date să fie o valoare aberantă. Algoritmul dezvoltat are o complexitate de timp liniară și s-a dovedit a funcționa bine chiar și atunci când sunt disponibile date limitate de antrenament; acest lucru contrastează cu abordările tipice care necesită date extinse de antrenament.

Prezentare generală a provocării organizaționale

Având în vedere că miliarde de tranzacții au loc zilnic, detectarea anomaliilor frauduloase și rularea unui model în timp real reprezintă o provocare. O inspecție vizuală evidențiază că găsirea unui ac într-un car de fân este ca și cum ai căuta un ac. Următoarele imagini ilustrează tranzacții bancare în timp, cu cele legitime în verde și cele frauduloase în roșu. Este dificil să izolezi tranzacțiile frauduloase. Instituțiile financiare sunt obligate să încerce să combată frauda pentru a se conforma reglementărilor. Este, de asemenea, o așteptare a clienților. De obicei, când are loc o fraudă, instituția financiară suportă costul pentru a menține satisfacția clientului.

Organizațiile recurg din ce în ce mai mult la metode de învățare automată ca parte a călătoriilor lor de transformare digitală pentru a rezolva probleme care necesită scalare, cum ar fi detectarea fraudelor. Mulți dintre indicatorii pentru detectarea fraudelor sunt de obicei stocați în depozite de date. Tehnicile de contabilitate forensică sunt, de asemenea, destul de avansate în determinarea metricilor utilizați ca intrări pentru modelele de învățare automată.

Pădurile de izolare au fost aplicate setului de date Kaggle pentru carduri de credit [2] și s-a demonstrat că sunt eficiente în proporție de 99% în detectarea tranzacțiilor frauduloase [3]. Având în vedere că a fost determinată o abordare generală care funcționează, majoritatea organizațiilor se confruntă cu provocări de implementare care funcționează la scară largă, mai degrabă decât să fie nevoite să cerceteze & dezvolta o soluție.

Date organizaționale disponibile ca intrare ML

Sursele de date utilizate de instituțiile financiare sunt următoarele:

• Metadate ale clienților.
• Marcile temporale și sumele tranzacțiilor.
• Istoricul tranzacțiilor clienților.
• Locația geografică a tranzacțiilor.
• Legea lui Benford.

Metodologie de Integrare

Următoarele reprezintă o prezentare generală la nivel înalt a procesului pe care l-am efectua pentru a analiza astfel de fluxuri într-o organizație:

• Identificați indicatorii financiari din sistemele ERP care pot fi utilizați ca intrări.
• Antrenați o pădure de izolare pe un set de date inițial și continuați să antrenați modelul în viitor pentru a vă asigura că detectează tiparele mai recente de tranzacții frauduloase.
• Apelând API-urile Telemus AI™ pentru a rula Isolation Forest pe tranzacțiile primite, API-ul returnează o estimare probabilistică a probabilității unei tranzacții frauduloase bazată pe model.
• Configurați fluxuri de lucru și procese personalizate pentru a alerta echipa de fraudă, precum și clienții, cu privire la potențiale tranzacții frauduloase

Telemus AI™ are modele robuste de învățare automată, astfel încât organizația dumneavoastră să se po concentra pe logica de afaceri rather decât pe implementarea tehnică.

Aplicații organizaționale

Următoarele enumeră alte aplicații potențiale pentru organizația dumneavoastră:

• Detectarea tranzacțiilor frauduloase.
• Detectarea cererilor frauduloase ale angajaților.
• Determinarea comportamentului organizațional neobișnuit prin sisteme de monitorizare a resurselor umane.

Beneficii Potențiale și Realizate

Având în vedere magnitudinea vastă a timpului și a banilor pe care frauda financiară le costă, precum și daunele de reputație și insatisfacția clienților pe care le poate provoca, prevenirea activă a fraudei poate economisi până la milioane, chiar miliarde de dolari, în funcție de scara operațiunilor. Organismele de reglementare emit, de asemenea, în mod continuu linii directoare de conformitate mai stricte. Există așteptarea ca instituțiile financiare să aibă procese, proceduri și sisteme pentru a preveni și combate frauda. Tehnologiile de reglementare, sau RegTech, este un domeniu emergent care are potențialul de a stimula multe inovații în departamentele de operațiuni ale multor organizații în mișcarea spre viitor.

Telemus AI™ este o companie de inteligență artificială cu sediul în Australia care oferă soluții avansate guvernelor și întreprinderilor. Contactați-ne astăzi pentru o consultație gratuită despre modul în care Telemus AI™ poate fi integrat în organizația dumneavoastră.

Referințe

[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting și Zhi-Hua Zhou
[2] - Detectarea fraudei cu carduri de credit - Kaggle
[3] - Învățare automată în detectarea fraudelor cu carduri de credit - S Joel Franklin