Strojové učenie - Detekcia podvodných transakcií pomocou izolačných lesov

V čoraz viac prepojenom digitálnom svete sa každý deň uskutočňujú miliardy transakcií prostredníctvom rôznych systémov, od platobných terminálov v tradičných obchodoch po online platobné brány. Tieto systémy poskytli skvelé príležitosti a pomohli poháňať nové inovatívne podniky s jedinečnými obchodnými modelmi. Hoci priniesli významné prínosy, došlo aj k prudkému nárastu čoraz sofistikovanejšej kriminality v kybernetickom priestore.

Jednou z najbežnejších foriem kriminality na internete je podvod s kreditnými kartami, ktorý predstavuje miliardy dolárov uvedených vo finančnom sektore globálne. Vzhľadom na počet transakcií, ktoré sa uskutočňujú každý deň, je pre finančné inštitúcie náročné bojovať proti kyberkriminálnikom; nedávny pokrok v strojovom učení dal vzniknúť novým metódam na identifikáciu a detekciu podvodných transakcií. Presná identifikácia podvodov umožňuje automatizované zmierňovacie stratégie, ako napríklad upozornenie zákazníka a vyžiadanie si ďalšieho potvrdenia pred pokračovaním transakcie.

Táto prípadová štúdia skúma prístup založený na strojovom učení k identifikácii podvodov s kreditnými kartami. Strojové učenie sa ukázalo ako efektívne v mnohých rôznych prostrediach a je efektívne aj pri spúšťaní na veľkých objemoch údajov, čo je nevyhnutným aspektom pre softvérových inžinierov implementujúcich bankové systémy.

Riešenie problému prostredníctvom umelej inteligencie

Detekcia anomálií bola tradične problémom, ktorý spadá do oblasti štatistiky. Konvenčné metódy predpokladajú, že súbor údajov spadá do normálneho rozdelenia. Odľahlé hodnoty sa teda detegujú pozorovaním, ktoré údajové body sa významne odchýlia od normy. Nevýhodou tejto metódy je, že ak súbor údajov nie je normálne rozdelený, efektívnosť techniky je obmedzená.

Detekcia anomálií v strojovom učení izolujúca anomálny bod

Neskôr sa pokúsili o prístupy strojového učenia využívajúce nedávne pokroky v algoritmoch, ktoré sa ukázali ako vysoko efektívne, škálovateľné a prekonávajúce vyššie spomenuté obmedzenia štatistických metód. Hoci nie sú široko prijímané mimo finančného sektora, mnohé z týchto metód sú v súčasnosti zavedené do produkcie v bankovníctve.

Nový prístup bol vyvinutý v roku 2008 v [1] využitím jedinečnej vlastnosti odľahlých hodnôt, a to že odľahlé hodnoty sú zvyčajne izolované vzhľadom na väčšinu dátových bodov. Vzhľadom na túto vlastnosť je možné generovať náhodné rozdelenia obklopujúce dátové body s cieľom uzavrieť dátový bod; čím menej rozdelení je potrebných na izoláciu dátového bodu, tým je pravdepodobnejšie, že takýto dátový bod je odľahlá hodnota. Vyvinutý algoritmus má lineárnu časovú zložitosť a bolo dokázané, že funguje dobre aj v prípade, keď je k dispozícii obmedzené množstvo tréningových dát; to kontrastuje s typickými prístupmi, ktoré vyžadujú rozsiahle tréningové dáta.

Animácia podvodu s kreditnou kartou

Prehľad organizačnej výzvy

Vzhľadom na to, že sa denne uskutočňujú miliardy transakcií, je detekcia podvodných odchýlok a spustenie modelu v reálnom čase náročné. Vizuálna kontrola zdôrazňuje, že hľadanie ihly v kope sena je ako hľadanie ihly. Nasledujúce obrázky znázorňujú bankové transakcie v priebehu času, pričom legitímne sú zelené a podvodné červené. Je náročné izolovať podvodné transakcie. Finančné inštitúcie sú povinné pokúsiť sa bojovať proti podvodom, aby splnili predpisy. Je to aj očakávanie zákazníkov. Zvyčajne, keď dôjde k podvodu, finančná inštitúcia znáša náklady, aby si udržala spokojnosť zákazníkov.

Bodový graf transakcií kreditnou kartou

Bublinový graf transakcií kreditnou kartou

Organizácie sa čoraz častejšie priklájajú k metódam strojového učenia ako súčasti svojich ciest digitálnej transformácie na riešenie problémov, ktoré vyžadujú škálovateľnosť, ako je detekcia podvodov. Mnohé z ukazovateľov na detekciu podvodov sa zvyčajne ukladajú v dátových skladiskách. Forenzné účtovnícke techniky sú tiež pomerne pokročilé pri určovaní metrík používaných ako vstupy pre modely strojového učenia.

Izolačné lesy boli aplikované na súbor údajov o kreditných kartách Kaggle [2] a ukázalo sa, že sú 99 % účinné pri odhaľovaní podvodných transakcií [3]. Vzhľadom na to, že bol určený všeobecný prístup, ktorý funguje, väčšina organizácií čelí implementačným výzvam, ktoré fungujú vo veľkom meradle, a nemusí robiť výskum & vyvinúť riešenie.

Organizačné údaje dostupné ako vstup pre ML

Zdroje údajov používané finančnými inštitúciami sú nasledovné:

Metaúdaje zákazníkov.
Časové známky transakcií a sumy.
História transakcií zákazníkov.
Geografická poloha transakcií.
Benfordov zákon.

Metodika integrácie

Nasleduje prehľad procesu, ktorý by sme na vysokej úrovni vykonali na analýzu takýchto zdrojov v rámci organizácie:

Identifikujte finančné metriky zo systémov ERP, ktoré možno použiť ako vstupy.
Natrénovať izolačný les na počiatočnom súbore údajov a pokračovať v trénovaní modelu aj do budúcnosti, aby sa zabezpečilo detegovanie novších vzorov podvodných transakcií.
Volaním Telemus AI™ API na spustenie Isolation Forest na prichádzajúce transakcie, API vracia pravdepodobnostný odhad pravdepodobnosti podvodnej transakcie na základe modelu.
Nastavte prispôsobené pracovné postupy a procesy na upozornenie tímu pre boj s podvodmi, ako aj zákazníkov na potenciálne podvodné transakcie

Telemus AI™ má robustné modely strojového učenia, takže vaša organizácia sa môže sústrediť na obchodnú logiku a nie na technickú implementáciu.

Organizačné aplikácie

Nasledujúci zoznam obsahuje ďalšie potenciálne aplikácie pre vašu organizáciu:

Detekcia podvodných transakcií.
Detekcia podvodných zamestnaneckých nárokov.
Zisťovanie neobvyklého organizačného správania prostredníctvom systémov sledovania ľudských zdrojov.

Potenciálne a realizované výhody

Vzhľadom na obrovský rozsah času a peňazí, ktoré stojí finančný podvod, a poškodenie reputácie a nespokojnosť zákazníkov, ktoré môže spôsobiť, aktívne predchádzanie podvodom môže ušetriť až milióny, dokonca miliardy dolárov, v závislosti od rozsahu operácií. Regulačné orgány tiež neustále vydávajú prísnejšie pokyny pre súlad. Očakáva sa, že finančné inštitúcie budú mať procesy, postupy a systémy na predchádzanie a boj proti podvodom. Regulačné technológie, alebo RegTech je rozvíjajúca sa oblasť, ktorá má potenciál poháňať mnoho inovácií v rámci prevádzkových oddelení mnohých organizácií smerom do budúcnosti.

Telemus AI™ je austrálska spoločnosť zaoberajúca sa umelou inteligenciou, ktorá poskytuje pokročilé riešenia pre vládu a podniky. Kontaktujte nás ešte dnes pre bezplatnú konzultáciu o tom, ako možno Telemus AI™ integrovať do vašej organizácie.