Машинное обучение - Обнаружение мошеннических транзакций с помощью изолирующих лесов

Во все более взаимосвязанном цифровом мире ежедневно происходят миллиарды транзакций через различные системы: от терминалов в точках продаж в традиционных магазинах до онлайн-платежных шлюзов. Эти системы предоставили большие возможности и помогли развивать новые инновационные предприятия с уникальными бизнес-моделями. Несмотря на значительные преимущества, также произошел резкий рост все более изощренных киберпреступлений.

Одной из самых распространенных форм киберпреступности является мошенничество с кредитными картами, на которое приходится миллиарды долларов убытков в финансовом секторе по всему миру. Учитывая количество транзакций, совершаемых каждый день, финансовым учреждениям сложно бороться с киберпреступниками; недавние достижения в области машинного обучения дали rise to новым методам выявления и обнаружения мошеннических транзакций. Точная идентификация мошенничества позволяет применять автоматизированные стратегии смягчения последствий, такие как предупреждение клиента и запрос дополнительного подтверждения перед выполнением транзакции.

В этом примере из практики рассматривается подход к выявлению мошенничества с кредитными картами на основе машинного обучения. Машинное обучение доказало свою эффективность во многих различных условиях, а также эффективно работает с большими объемами данных, что является важным фактором для инженеров-программистов, внедряющих банковские системы.

Решение проблемы с помощью искусственного интеллекта

Обнаружение аномалий традиционно относилось к проблемам в области статистики. Традиционные методы предполагают, что набор данных имеет нормальное распределение. Таким образом, выбросы обнаруживаются путем наблюдения за тем, какие точки данных значительно отклоняются от нормы. Недостаток этого метода заключается в том, что если набор данных не имеет нормального распределения, эффективность метода ограничена.

Обнаружение аномалий с помощью машинного обучения, изолирующее аномальную точку

Позже были предприняты попытки применения подходов машинного обучения с использованием последних алгоритмических достижений, которые оказались высокоэффективными, масштабируемыми и позволили преодолеть вышеупомянутые ограничения статистических методов. Хотя они не получили широкого распространения за пределами финансового сектора, многие из этих методов в настоящее время внедрены в банковской сфере.

Новый подход был разработан в 2008 году в [1] путем использования уникального свойства выбросов, заключающегося в том, что выбросы обычно изолированы относительно большинства точек данных. Учитывая это свойство, можно генерировать случайные разбиения вокруг точек данных, чтобы изолировать точку данных; чем меньше разбиений требуется для изоляции точки данных, тем больше вероятность того, что такая точка данных является выбросом. Разработанный алгоритм имеет линейную временную сложность и доказал свою эффективность даже при ограниченных обучающих данных; это контрастирует с типичными подходами, требующими обширных обучающих данных.

Анимация мошенничества с кредитными картами

Обзор организационной проблемы

Учитывая, что ежедневно происходят миллиарды транзакций, выявление мошеннических аномалий и работа модели в реальном времени являются сложной задачей. Визуальный осмотр показывает, что поиск иглы в стоге сена — это как поиск иглы. На следующих изображениях показаны банковские транзакции во времени: легитимные зеленым цветом и мошеннические красным. Изолировать мошеннические транзакции сложно. Финансовые учреждения обязаны пытаться бороться с мошенничеством для соблюдения нормативных требований. Это также ожидание клиентов. Обычно, когда происходит мошенничество, финансовое учреждение оплачивает расходы для поддержания удовлетворенности клиентов.

Точечная диаграмма транзакций по кредитным картам

Пузырьковая диаграмма транзакций по кредитным картам

Организации все чаще обращаются к методам машинного обучения в рамках своего пути цифровой трансформации для решения проблем, требующих масштабирования, таких как обнаружение мошенничества. Многие маркеры для обнаружения мошенничества обычно хранятся в хранилищах данных. Методы судебно-бухгалтерской экспертизы также весьма продвинуты в определении показателей, используемых в качестве входных данных для моделей машинного обучения.

Изолирующие леса были применены к набору данных кредитных карт Kaggle [2] и показали 99% эффективность в обнаружении мошеннических транзакций [3]. Учитывая, что определен общий работающий подход, большинство организаций сталкиваются с проблемами реализации, которые работают в масштабе, вместо того чтобы проводить исследования & разработать решение.

Организационные данные, доступные в качестве ввода для ML

Источники данных, используемые финансовыми учреждениями, следующие:

Метаданные клиентов.
Временные метки транзакций и суммы.
История транзакций клиентов.
Географическое местоположение транзакций.
Закон Бенфорда.

Методология интеграции

Ниже представлен обзор процесса, который мы выполнили бы на высоком уровне для анализа таких потоков в организации:

Определите финансовые показатели из систем ERP, которые могут использоваться в качестве входных данных.
Обучите изоляционный лес на начальном наборе данных и продолжайте обучать модель в будущем, чтобы гарантировать обнаружение более свежих моделей мошеннических транзакций.
При вызове API Telemus AI™ для запуска Isolation Forest по входящим транзакциям, API возвращает вероятностную оценку вероятности мошеннической транзакции на основе модели.
Настройте персонализированные рабочие процессы и процессы для оповещения команды по борьбе с мошенничеством, а также клиентов о потенциально мошеннических транзакциях

Telemus AI™ использует надежные модели машинного обучения, чтобы ваша организация могла сосредоточиться на бизнес-логике, а не на технической реализации.

Организационные приложения

Ниже перечислены другие потенциальные области применения для вашей организации:

Обнаружение мошеннических транзакций.
Обнаружение мошеннических заявлений сотрудников.
Выявление необычного организационного поведения с помощью систем отслеживания кадровых ресурсов.

Потенциальные и реализованные преимущества

Учитывая огромные масштабы финансовых потерь и затрат, связанных с финансовым мошенничеством, а также ущерб репутации и неудовлетворенность клиентов, которые оно может вызвать, активное предотвращение мошенничества может сэкономить миллионы или даже миллиарды долларов в зависимости от масштабов деятельности. Регулирующие органы также постоянно выпускают более строгие руководящие принципы по соблюдению нормативных требований. Ожидается, что финансовые учреждения будут иметь процессы, процедуры и системы для предотвращения и борьбы с мошенничеством. Регуляторные технологии, или RegTech, — это развивающаяся область, которая имеет потенциал для стимулирования множества инноваций в операционных отделах многих организаций в будущем.

Telemus AI™ — это австралийская компания в сфере искусственного интеллекта, предоставляющая передовые решения для государственных учреждений и предприятий. Свяжитесь с нами сегодня для бесплатной консультации о том, как Telemus AI™ может быть интегрирована в вашу организацию.

Ссылки

[1] - Isolation Forest - Фэй Тони Лю, Кай Мин Тинг и Чжи-Хуа Чжоу
[2] - Обнаружение мошенничества с кредитными картами — Kaggle
[3] - Машинное обучение в обнаружении мошенничества с кредитными картами - S Joel Franklin

Теги