Maskininlärning - Upptäcka bedrägliga transaktioner med isoleringsskogar

En ny metod utvecklades 2008 i [1] genom att utnyttja en unik egenskap hos avvikare, nämligen att avvikare typiskt är isolerade i förhållande till en majoritet av datapunkterna. Med tanke på denna egenskap är det möjligt att generera slumpmässiga partitioner som omger datapunkter för att omsluta en datapunkt; ju färre partitioner som krävs för att isolera en datapunkt, desto mer sannolikt är det att en sådan datapunkt är en avvikare. Den utvecklade algoritmen har en linjär tidskomplexitet och bevisades fungera bra även när begränsad träningsdata är tillgänglig; detta står i kontrast till typiska metoder som kräver omfattande träningsdata.

Översikt över den organisatoriska utmaningen

Med tanke på att miljarder transaktioner sker dagligen är det utmanande att upptäcka bedrägliga avvikelser och köra en modell i realtid. En visuell inspektion belyser att att hitta en nål i en höstack är som att hitta en nål. Följande bilder illustrerar banktransaktioner över tid, med legitima gröna och bedrägliga röda. Det är utmanande att isolera bedrägliga transaktioner. Finansiella institutioner är skyldiga att försöka bekämpa bedrägeri för att följa regleringar. Det är också en förväntning från kunder. Vanligtvis, när bedrägeri sker, betalar den finansiella institutionen kostnaden för att upprätthålla kundnöjdhet.

Organisationer vänder sig i allt högre grad till maskininlärningsmetoder som en del av sina digitala transformationsresor för att lösa problem som kräver skalning, såsom bedrägeridetektering. Många av de data som används för att upptäcka bedrägeri lagras vanligtvis i datalager. Forensiska redovisningstekniker är också ganska avancerade när det gäller att fastställa mätvärden som används som indata för maskininlärningsmodeller.

Isolerade skogar har tillämpats på Kaggle-datauppsättningen för kreditkort [2] och har visat sig vara 99 % effektiva för att upptäcka bedrägliga transaktioner [3]. Med tanke på att en allmän metod har fastställts som fungerar, möter de flesta organisationer implementeringsutmaningar som fungerar i stor skala snarare än att behöva forska & utveckla en lösning.

Organisatorisk data tillgänglig som ML-indata

Datakällor som används av finansiella institutioner är följande:

• Kundmetadata.
• Transaktionstidsstämplar och belopp.
• Kunders transaktionshistorik.
• Den geografiska platsen för transaktioner.
• Benfords lag.

Integrationsmetodik

Följande är en översikt över den process vi skulle utföra på en hög nivå för att analysera sådana flöden inom en organisation:

• Identifiera finansiella mätetal från ERP-system som kan användas som indata.
• Träna en isolerad skog på ett initialt dataset och fortsätta att träna modellen framöver för att säkerställa att den upptäcker de senare bedrägliga transaktionsmönstren.
• Genom att anropa Telemus AI™ API:er för att köra Isolation Forest på inkommande transaktioner returnerar API:et en probabilistisk uppskattning av sannolikheten för en bedräglig transaktion baserat på modellen.
• Ställ in anpassade arbetsflöden och processer för att varna bedrägeriteamet samt kunder om potentiellt bedrägliga transaktioner

Telemus AI™ har robusta maskininlärningsmodeller som läser så att din organisation kan fokusera på affärslogiken snarare än den tekniska implementeringen.

Organisatoriska tillämpningar

Följande listar andra potentiella applikationer för din organisation:

• Upptäcka bedrägliga transaktioner.
• Upptäcka falska anställdas anspråk.
• Fastställa ovanligt organisatoriskt beteende via personaluppföljningssystem.

Potentiella och realiserade fördelar

Med tanke på den enorma omfattningen av tid och pengar som finansiella bedrägerier kostar, samt den skada på ryktet och kundmissnöje det kan orsaka, kan ett aktivt förhindrande av bedrägerier spara upp till miljoner, till och med miljarder dollar, beroende på verksamhetens skala. Tillsynsmyndigheter tar också kontinuerligt fram strängare riktlinjer för efterlevnad. Det finns en förväntning på att finansiella institutioner har processer, procedurer och system för att förhindra och bekämpa bedrägerier. Regulatoriska teknologier, eller RegTech, är ett framväxande område som har potential att driva många innovationer inom verksamhetsavdelningarna på många organisationer framöver.

Telemus AI™ är ett australiensiskt-baserat företag för artificiell intelligens som tillhandahåller avancerade lösningar till regering och företag. Kontakta oss idag för ett gratis samtal om hur Telemus AI™ kan integreras i din organisation.

Referenser

[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting och Zhi-Hua Zhou
[2] - Kreditkortsbedrägeri-detektering - Kaggle
[3] - Maskininlärning vid upptäckt av kreditkortsbedrägerier - S Joel Franklin