Mašinsko učenje - Otkrivanje prevarantskih transakcija pomoću izolacionih šuma

U sve više međusobno povezanom digitalnom svetu, milijarde transakcija se odvijaju svakog dana putem različitih sistema, od terminala za prodaju u tradicionalnim prodavnicama do mrežnih platnih portala. Ovi sistemi su pružili velike mogućnosti i pomogli u pokretanju novih inovativnih preduzeća sa jedinstvenim poslovnim modelima. Iako su postojale značajne prednosti, došlo je i do oštrog porasta sve sofisticiranijeg sajber kriminala.

Jedan od najčešćih oblika sajber kriminala je prevara sa kreditnim karticama, koja predstavlja milijarde dolara registrovanih u finansijskom sektoru globalno. S obzirom na broj transakcija koje se odvijaju svakog dana, finansijskim institucijama je teško da se bore protiv sajber kriminalaca; nedavni napreci u mašinskom učenju doveli su do novih metoda za identifikaciju i otkrivanje lažnih transakcija. Tačna identifikacija prevara omogućava automatizovane strategije ublažavanja, kao što su obaveštavanje klijenta i traženje dodatne potvrde pre nego što transakcija bude nastavljena.

Ova studija slučaja istražuje pristup zasnovan na mašinskom učenju za identifikaciju prevara sa kreditnim karticama. Mašinsko učenje se pokazalo efikasnim u mnogim različitim okruženjima i takođe je efikasno u radu sa velikim količinama podataka, što je suštinsko razmatranje za softverske inženjere koji implementiraju bankarske sisteme.

Rešavanje problema putem veštačke inteligencije

Detektovanje anomalija je tradicionalno bio problem koji spada u oblast statistike. Konvencionalne metode pretpostavljaju da skup podataka pada u normalnu distribuciju. Dakle, autlajeri se otkrivaju posmatranjem koje tačke podataka značajno odstupaju od norme. Nedostatak ove metode je da ako skup podataka nije normalno distribuiran, efikasnost tehnike je ograničena.

Otkrivanje anomalija mašinskim učenjem izoluje anomalnu tačku

Kasnije su pokušani pristupi mašinskog učenja koji koriste nedavna algoritamska unapređenja, koja su se pokazala kao veoma efikasna, skalabilna i prevazilaze gorenavedena ograničenja statističkih metoda. Iako nisu široko prihvaćeni van finansijskog sektora, mnoge od ovih metoda su trenutno implementirane u proizvodnji u bankarstvu.

Nov pristup je razvijen 2008. godine u [1] iskorišćavanjem jedinstvenog svojstva autlajera, a to je da su autlajeri tipično izolovani u odnosu na većinu tačaka podataka. S obzirom na ovo svojstvo, moguće je generisati nasumične particije koje okružuju tačke podataka kako bi se obuhvatila tačka podataka; što je manje particija potrebno da bi se izolovala tačka podataka, to je verovatnije da je takva tačka podataka autlajer. Razvijeni algoritam ima linearnu vremensku složenost i dokazano dobro radi čak i kada je dostupan ograničen skup podataka za obuku; to je u suprotnosti sa tipičnim pristupima koji zahtevaju obimne podatke za obuku.

Animacija prevare kreditnom karticom

Pregled organizacionog izazova

S obzirom na to da se milijarde transakcija dešavaju svakodnevno, detektovanje prevara i pokretanje modela u realnom vremenu je izazovno. Vizuelna inspekcija ističe da je pronalaženje igle u plastu sena kao pronalaženje igle. Sledeće slike ilustruju bankovne transakcije tokom vremena, sa legitimnim zelenim i prevarantskim crvenim. Izazovno je izolovati prevarantske transakcije. Finansijske institucije su dužne da pokušaju da suzbiju prevaru kako bi se pridržavale propisa. To je takođe očekivanje klijenata. Obično, kada do prevare dođe, finansijska institucija snosi troškove kako bi održala zadovoljstvo klijenata.

Scatter Plot grafikon transakcija kreditnim karticama

Grafikon mehurova transakcija kreditnim karticama

Organizacije se sve više okreću metodama mašinskog učenja kao deo svojih putanja digitalne transformacije kako bi rešile probleme koji zahtevaju skaliranje, poput otkrivanja prevara. Mnogi od markera za otkrivanje prevara se obično čuvaju u skladištima podataka. Tehnike forenzičkog računovodstva su takođe prilično napredne u određivanju metrika koje se koriste kao ulazi za modele mašinskog učenja.

Izolacione šume su primenjene na Kaggle skup podataka kreditnih kartica [2] i pokazalo se da su 99% efikasne u otkrivanju prevarantskih transakcija [3]. S obzirom na to da je utvrđen opšti pristup koji funkcioniše, većina organizacija se suočava sa izazovima implementacije koji rade na velikoj skali umesto da moraju da istražuju & razviti rešenje.

Organizacioni podaci dostupni kao ML ulaz

Izvori podataka koje koriste finansijske institucije su sledeći:

Meta-podaci kupaca.
Vremenske oznake i iznosi transakcija.
Istorija transakcija kupaca.
Geografska lokacija transakcija.
Benfordov zakon.

Metodologija integracije

Sledeće je pregled procesa koji bismo izveli na visokom nivou za analizu takvih izvora unutar organizacije:

Identifikujte finansijske metrike iz ERP sistema koji se mogu koristiti kao ulazi.
Trenirajte izolacionu šumu na početnom skupu podataka i nastavite da trenirate model u budućnosti kako biste osigurali da otkriva novije obrasce prevara u transakcijama.
Pozivanjem Telemus AI™ API-ja za pokretanje Izolacione šume na dolaznim transakcijama, API vraća probabilističku procenu verovatnoće da je transakcija prevarantska, na osnovu modela.
Podesite prilagođene tokove rada i procese kako biste upozorili tim za prevare, kao i klijente, o potencijalno prevarnim transakcijama

Telemus AI™ ima robusne modele mašinskog učenja koji čitaju, tako da vaša organizacija može da se fokusira na poslovnu logiku umesto na tehničku implementaciju.

Organizacione aplikacije

Sledeće navodi druge potencijalne aplikacije za vašu organizaciju:

Otkrivanje prevarnih transakcija.
Otkrivanje lažnih zahteva zaposlenih.
Utvrđivanje neobičnog organizacionog ponašanja putem sistema za praćenje ljudskih resursa.

Potencijalne i ostvarene prednosti

S obzirom na ogromnu magnitudu vremena i novca koji finansijske prevare koštaju, kao i na štetu po reputaciju i nezadovoljstvo klijenata koje mogu izazvati, aktivno sprečavanje prevara može uštedeti do milione, pa čak i milijarde dolara, zavisno od obima operacija. Regulatorna tela takođe kontinuirano izdaju strožije smernice za usklađenost. Očekuje se da finansijske institucije imaju procese, procedure i sisteme za sprečavanje i borbu protiv prevara. Regulatorne tehnologije, ili RegTech, su nastajuća oblast koja ima potencijal da pokrene mnoge inovacije u operativnim odeljenjima mnogih organizacija u kretanju napred u budućnost.

Telemus AI™ je australijska kompanija za veštačku inteligenciju koja pruža napredna rešenja za vladu i preduzeća. Kontaktirajte nas danas za besplatne konsultacije o tome kako se Telemus AI™ može integrisati u vašu organizaciju.