Strojno učenje - Zaznavanje goljufivih transakcij z izolacijskimi gozdovi

V vse bolj povezanem digitalnem svetu se vsak dan odvijajo milijarde transakcij preko različnih sistemov, od terminalov na prodajnih mestih v tradicionalnih trgovinah do spletnih plačilnih portalov. Ti sistemi so prinesli velike priložnosti in pomagali gnati nova inovativna podjetja z edinstvenimi poslovnimi modeli. Čeprav so bili pomembni koristi, je prišlo tudi do strmega porasta vse bolj sofisticiranega kibernetskega kriminala.

Ena najpogostejših oblik kibernetske kriminalitete je goljufija s kreditnimi karticami, ki predstavlja milijarde dolarjev, zabeleženih v finančnem sektorju globalno. Glede na število transakcij, ki se zgodijo vsak dan, je za finančne institucije težko bojevati se proti kibernetskim kriminalcem; nedavni napredek v strojnem učenju je dal povod novim metodam za prepoznavanje in odkrivanje goljufivih transakcij. Natančna prepoznava goljufij omogoča avtomatizirane ublažitvene strategije, kot so obveščanje stranke in zahtevanje nadaljnje potrditve, preden transakcija steče.

Ta študija primera raziskuje pristop, usmerjen v strojno učenje, za prepoznavanje goljufij s kreditnimi karticami. Strojno učenje se je izkazalo za učinkovito v mnogih različnih okoljih in je tudi učinkovito pri obdelavi velikih količin podatkov, kar je ključno vprašanje za inženirje programske opreme, ki implementirajo bančne sisteme.

Reševanje problema z umetno inteligenco

Zaznavanje anomalij je bilo tradicionalno problem znotraj področja statistike. Konvencionalne metode predpostavljajo, da nabor podatkov sledi normalni porazdelitvi. Tako se izstopajoče točke zaznajo z opazovanjem, kateri podatkovni elementi se bistveno odstopajo od norme. Pomanjkljivost te metode je, da če nabor podatkov ni normalno porazdeljen, je učinkovitost tehnike omejena.

Zaznavanje anomalij s strojnim učenjem, ki izolira anomalno točko

Kasneje so bili poskusno uporabljeni pristopi strojnega učenja z uporabo nedavnih algoritmskih napredkov, ki so se izkazali za zelo učinkovite, razširljive in odpravljajo zgoraj omenjene omejitve statističnih metod. Čeprav niso široko sprejeti zunaj finančnega sektorja, je bilo veliko teh metod trenutno uvedenih v proizvodnjo v bančništvu.

Nov pristop je bil leta 2008 razvit v [1] z izkoriščanjem edinstvene lastnosti osamelcev, in sicer da so osamelci običajno izolirani glede na večino podatkovnih točk. Glede na to lastnost je mogoče ustvariti naključne particije okoli podatkovnih točk, da bi obdale podatkovno točko; manj particij, potrebnih za izolacijo podatkovne točke, bolj verjetno je, da je taka podatkovna točka osemalec. Razvit algoritem ima linearno časovno zahtevnost in se je izkazal za učinkovitega tudi, ko je na voljo omejen učni podatki; to je v nasprotju s tipičnimi pristopi, ki zahtevajo obsežne učne podatke.

Animacija goljufij s kreditnimi karticami

Pregled organizacijskega izziva

Glede na to, da se vsakodnevno zgodi milijarde transakcij, je zaznavanje goljufivih odstopanj in izvajanje modela v realnem času zahtevno. Vizualni pregled poudarja, da je iskanje igle v kopu sena kot iskanje igle. Naslednje slike ponazarjajo bančne transakcije skozi čas, z zakonitimi v zeleni in goljufivimi v rdeči barvi. Zahtevno je izolirati goljufive transakcije. Finančne institucije morajo poskušati bojevati proti goljufijam, da bi izpolnile predpise. To je tudi pričakovanje strank. Običajno, ko pride do goljufije, finančna institucija krije stroške, da ohrani zadovoljstvo strank.

Razpršeni graf transakcij s kreditnimi karticami

Pakirani mehurčkast graf transakcij s kreditnimi karticami

Organizacije se vse pogosteje zatekajo k metodam strojnega učenja kot del svojih potekov digitalne transformacije za reševanje problemov, ki zahtevajo obseg, kot je odkrivanje goljufij. Mnogi kazalniki za odkrivanje goljufij so običajno shranjeni v podatkovnih skladiščih. Tehnike forenzičnega računovodstva so prav tako precej napredne pri določanju metrik, uporabljenih kot vhodi za modele strojnega učenja.

Izolacijski gozdovi so bili uporabljeni na naboru podatkov o kreditnih karticah Kaggle [2] in se je pokazalo, da so pri odkrivanju goljufivih transakcij 99-odstotno učinkoviti [3]. Glede na to, da je bil določen splošen pristop, ki deluje, se večina organizacij sooča z izzivi implementacije, ki delujejo v velikem obsegu, namesto da bi morale raziskovati & razviti rešitev.

Organizacijski podatki, razpoložljivi kot vhod za ML

Viri podatkov, ki jih uporabljajo finančne institucije, so naslednji:

Metapodatki strank.
Časovni žigi transakcij in zneski.
Zgodovina transakcij strank.
Geografska lokacija transakcij.
Benfordov zakon.

Metodologija integracije

Naslednje je pregled postopka, ki bi ga na visoki ravni izvedli za analizo takih virov znotraj organizacije:

Prepoznajte finančne metrike iz sistemov ERP, ki jih je mogoče uporabiti kot vhode.
Usposobite izolacijski gozd na začetnem naboru podatkov in nadaljujte z usposabljanjem modela v prihodnje, da zagotovite, da zazna novejše vzorce goljufivih transakcij.
S klicem API-jev Telemus AI™ za zagon izolacijskega gozda na dohodnih transakcijah API vrne verjetnostno oceno verjetnosti goljufive transakcije na podlagi modela.
Nastavite prilagojene poteka dela in procese za opozarjanje ekipe za preprečevanje goljufij ter strank o morebitnih goljufivih transakcijah

Telemus AI™ ima robustne modele strojnega učenja, tako da se vaša organizacija lahko osredotoči na poslovno logiko namesto na tehnično izvajanje.

Organizacijske aplikacije

Naslednje navaja druge potencialne aplikacije za vašo organizacijo:

Zaznavanje goljufivih transakcij.
Zaznavanje goljufivih zahtevkov zaposlenih.
Ugotavljanje neobičajnega organizacijskega vedenja prek sistemov sledenja človeških virov.

Morebitne in uresničene prednosti

Glede na ogromno magnitudo časa in denarja, ki ga stane finančna goljufija, ter škodo za ugled in nezadovoljstvo strank, ki ga lahko povzroči, lahko aktivno preprečevanje goljufij prihrani do milijone, celo milijarde dolarjev, odvisno od obsega operacij. Regulativna telesa tudi nenehno izdajajo strožje smernice o skladnosti. Pričakovanje je, da imajo finančne institucije procese, postopke in sisteme za preprečevanje in boj proti goljufijam. Regulativne tehnologije ali RegTech so nastajajoče področje, ki ima potencial za spodbujanje številnih inovacij znotraj operativnih oddelkov mnogih organizacij v prihodnosti.

Telemus AI™ je avstralsko podjetje za umetno inteligenco, ki vladi in podjetjem zagotavlja napredne rešitve. Kontaktirajte nas danes za brezplačno posvetovanje o tem, kako lahko Telemus AI™ integrirate v vašo organizacijo.