Mësimi Makinerik - Zbulimi i Transaksioneve Mashtruese me Pyje Izoluese

Në një botë digjitale gjithnjë e më të ndërlidhur, miliarda transaksione ndodhin çdo ditë përmes sistemeve të ndryshme, nga terminalet e pikës së shitjes brenda dyqaneve tradicionale deri te portat e pagesave online. Këto sisteme kanë ofruar mundësi të mëdha dhe kanë ndihmuar në nxitjen e bizneseve të reja inovative me modele unike biznesi. Ndërkohë që kanë pasur përfitime të rëndësishme, ka pasur gjithashtu një rritje të mprehtë të kriminalitetit kibernetik gjithnjë e më të sofistikuar.

Një nga format më të zakonshme të kriminalitetit kibernetik është mashtrimi me kartë krediti, që përbën miliarda dollarë të regjistruara në sektorin financiar global. Duke pasur parasysh numrin e transaksioneve që ndodhin çdo ditë, është sfiduese për institucionet financiare të luftojnë kundër kriminelëve kibernetikë; përparimet e fundit në Machine Learning kanë dhënë jetë metodave të reja për identifikimin dhe zbulimin e transaksioneve mashtruese. Identifikimi i saktë i mashtrimit lejon strategji të zbutura të automatizuara si njoftimi i klientit dhe kërkimi i konfirmimit të mëtejshëm përpara se një transaksion të vazhdojë.

Ky rast studimi eksploron një qasje të orientuar nga machine learning për identifikimin e mashtrimit me kartë krediti. Machine Learning ka dëshmuar efektiv në shumë mjedise të ndryshme dhe është gjithashtu efikas në xhirim mbi vëllime të mëdha të dhënash, një konsideratë esenciale për inxhinierët e softuerit që zbatojnë sisteme bankare.

Zgjidhja e Problemit përmes Inteligjencës Artificiale

Zbulimi i anomalive ka qenë tradicionalisht një problem brenda fushës së statistikës. Metodat konvencionale supozojnë se një grup të dhënash bie brenda shpërndarjes normale. Kështu, vlerat e jashtme zbulohen duke vëzhguar se cilat pika të të dhënave devijojnë ndjeshëm nga norma. Të metat e kësaj metode janë se nëse një grup të dhënash nuk shpërndahet normalisht, efektiviteti i teknikës është i kufizuar.

Zbulimi i anomalive të mësimit makinerik duke izoluar një pikë anomale

Më vonë u provuan qasjet e Mësimit Makinerik duke përdorur përparimet e fundit algoritmike, të cilat doli të ishin shumë efektive, të shkallëzueshme dhe të tejkalonin kufizimet e lartpërmendura të metodave statistikore. Ndërkohë që nuk janë adoptuar gjerësisht jashtë sektorit financiar, shumë prej këtyre metodave janë aktualisht të prodhuara në banka.

Një qasje e re u zhvillua në 2008 në [1] duke shfrytëzuar një veti unike të vlerave jashtëzakonore, që është se vlerat jashtëzakonore zakonisht janë të izoluara në raport me shumicën e pikave të të dhënave. Duke pasur parasysh këtë veti, është e mundur të gjenerohen ndarje të rastësishme rreth pikave të të dhënave për të mbyllur një pikë të dhënash; sa më pak ndarje të nevojiten për të izoluar një pikë të dhënash, aq më e mundshme është që një pikë e tillë e dhënash të jetë një vlerë jashtëzakonore. Algoritmi i zhvilluar ka një kompleksitet kohe linear dhe është vërtetuar se funksionon mirë edhe kur ka të dhëna të kufizuara trajnimi; kjo bie ndesh me qasjet tipike që kërkojnë të dhëna të gjera trajnimi.

Animacion i Mashtrimit me Kartë Krediti

Përmbledhje e Sfidës Organizative

Duke marrë parasysh se miliarda transaksione ndodhin çdo ditë, zbulimi i jashtëzakonshave mashtruese dhe ekzekutimi i një modeli në kohë reale është sfidues. Një inspektim vizual thekson se gjetja e një gjilpërë në një kashtë është si gjetja e një gjilpëre. Imazhet e mëposhtme ilustrojnë transaksionet bankare me kalimin e kohës, me të ligjshme jeshile dhe mashtruese të kuqe. Është sfidues të izolohen transaksionet mashtruese. Institucionet financiare kërkohet të përpiqen të luftojnë mashtrimin për t'u përmbushur me rregulloret. Është gjithashtu një pritje e klientëve. Zakonisht, kur ndodh mashtrimi, institucioni financiar paguan koston për të mbajtur kënaqësinë e klientit.

Grafik i Shpërndarë i Transaksioneve me Kartë Krediti

Grafik Flluske të Paketuara të Transaksioneve me Kartë Krediti

Organizatat po i drejtohen gjithnjë e më shumë metodave të machine learning si pjesë e udhëtimeve të tyre të transformimit digjital për të zgjidhur probleme që kërkojnë shkallë si zbulimi i mashtrimit. Shumë nga krijuesit për të zbuluar mashtrimet ruhen zakonisht brenda magazinave të të dhënave. Teknikat e kontabilitetit hetues janë gjithashtu mjaft të avancuara në përcaktimin e metrikave të përdorura si hyrje për modelet e machine learning.

Pyjet e izolimit janë zbatuar në grupin e të dhënave të kartave të kreditit Kaggle [2] dhe është demonstruar se janë 99% efektive në zbulimin e transaksioneve mashtruese [3]. Duke pasur parasysh se është përcaktuar një qasje e përgjithshme që funksionon, shumica e organizatave përballojnë sfida zbatimi që funksionojnë në shkallë të gjerë në vend se duhet të bëjnë kërkim & zhvillo një zgjidhje.

Të Dhëna Organizative të Disponueshme si Hyrje ML

Burimet e të dhënave të përdorura nga institucionet financiare janë si më poshtë:

Meta-të dhëna të klientit.
Vula kohore e transaksioneve dhe shumat.
Historiku i transaksioneve të klientëve.
Vendndodhja gjeografike e transaksioneve.
Ligji i Benfordit.

Metodologjia e Integrit

Më poshtë është një pasqyrë e procesit që ne do të kryenim në një nivel të lartë për të analizuar transmetime të tilla brenda një organizate:

Identifiko metrikat financiare nga sistemet ERP që mund të përdoren si hyrje.
Stërvitni një pyll izolimi në një grup të dhënash fillestar, dhe vazhdoni të stërvitni modelin në të ardhmen për të siguruar që ai zbulon modelet më të fundit të transaksioneve mashtruese.
Duke thirrur API-të e Telemus AI™ për të ekzekutuar Pyllin e Izolimit mbi transaksionet hyrëse, API kthen një vlerësim probabilistik të gjasave për një transaksion mashtrues bazuar në modelin.
Konfiguroni rrjedha pune dhe procese të personalizuara për të njoftuar ekipin e mashtrimit si dhe klientët për transaksione potencialisht mashtruese

Telemus AI™ ka modele të forta të mësimit makiner të lexuara në mënyrë që organizata juaj të mund të përqendrohet në logjikën e biznesit në vend të zbatimit teknik.

Aplikime Organizative

Më poshtë listohen aplikacione potenciale të tjera për organizatën tuaj:

Zbulimi i transaksioneve mashtruese.
Zbulimi i kërkesave mashtruese të punonjësve.
Përcaktimi i sjelljes së pazakontë organizative nëpërmjet sistemeve të gjurmimit të burimeve njerëzore.

Përfitimet Potenciale dhe të Realizuara

Duke pasur parasysh madhësinë e madhe të kohës dhe parave që koston mashtrimi financiar dhe dëmtimi i reputacionit dhe pakënaqësia e klientëve që mund të shkaktojë, parandalimi aktiv i mashtrimit mund të kursejë deri në miliona, madje edhe miliarda dollarë, në varësi të shkallës së operimit. Organet rregullatore gjithashtu po nxjerrin vazhdimisht udhëzime më të rrepta për përputhshmërinë. Ekziston pritshmëria që institucionet financiare të kenë procese, procedura dhe sisteme për të parandaluar dhe luftuar mashtrimin. Teknologjitë rregullative, ose RegTech, është një fushë në zhvillim që ka potencialin për të nxitur shumë inovacione brenda departamenteve të operacioneve të shumë organizatave në lëvizje përpara drejt së ardhmes.

Telemus AI™ është një kompani e inteligjencës artificiale me bazë në Australi që ofron zgjidhje të avancuara për qeverinë dhe ndërmarrjet. Na kontaktoni sot për një konsultim falas se si Telemus AI™ mund të integrohet në organizatën tuaj.

Referenca

[1] - Pylli i Izolimit - Fei Tony Liu, Kai Ming Ting, dhe Zhi-Hua Zhou
[2] - Zbulimi i Mashtrimit me Kartë Krediti - Kaggle
[3] - Mësimi Makinerik në Zbulimin e Mashtrimit me Kartë Krediti - S Joel Franklin

Etiketat