Kujifunza kwa Mashine - Kugundua Muamala wa Udanganyifu kwa Misitu ya Kutoa

Katika ulimwengu wa kidijitali unaoendelea kuwa na muunganisho mkubwa, mabilioni ya muamala hufanyika kila siku kupitia mifumo mbalimbali, kutoka kwenye vituo vya kuuza vya kawaida hadi vya malipo mtandaoni. Mifumo hii imetoa fursa kubwa na kusaidia kuendesha biashara mpya zenye ubunifu na mifumo ya kipekee ya biashara. Hata ingawa kumekuwa na faida kubwa, kumekuwa pia na ongezeko kubwa la uhalifu mtandaoni unaozidi kuwa changamano zaidi.

Moja ya aina za kawaida za uhalifu wa mtandaoni ni udanganyifu wa kadi ya mkopo, ukichangia bilioni za dola zilizoorodheshwa katika sekta ya kifedha ulimwenguni. Kwa kuzingatia idadi ya muamala zinazofanyika kila siku, ni changamoto kwa taasisi za kifedha kupambana na wahalifu wa mtandaoni; maendeleo ya hivi karibuni katika Kujifunza kwa Mashine yameleta njia mpya za kutambua na kugundua muamala za udanganyifu. Utambuzi sahihi wa udanganyifu unaruhusu mikakati ya kujikinga iliyoandaliwa kiotomatiki kama vile kuonya mteja na kuomba uthibitisho zaidi kabla ya muamala kuendelea.

Tafiti hii ya kesi inachunguza mbinu inayoelekezwa kwenye machine learning ya kutambua udanganyifu wa kadi ya mkopo. Machine Learning imethibitisha kuwa na ufanisi katika mazingira mengi tofauti na pia ni bora katika kuendesha kwenye kiasi kikubwa cha data, jambo muhimu sana kwa wahandisi wa programu wanaotekeleza mifumo ya benki.

Kutatua Tatizo kupitia Akili Bandia

Kugundua kasari amekuwa tatizo ambalo liko ndani ya uga wa takwimu. Njia za kawaida zinadhani seti ya data inaanguka ndani ya usambazaji wa kawaida. Hivyo, vitufe vinatambuliwa kwa kuangalia ni data gani zinatengana sana na kawaida. Hasara ya njia hii ni kwamba kama seti ya data haijasambazwa kwa kawaida, ufanisi wa mbinu huo umepunguzwa.

Ugunduzi wa utabiri wa kawaida wa kujifunza kwa mashine unaoitenga nukta ya kawaida

Njia za kujifunza kwa mashine zinazotumia maendeleo ya hivi karibuni ya algoriti zilijaribiwa baadaye, ambazo zilithibitisha kuwa na ufanisi mkubwa, zinazoweza kupanuka na kushinda vikwazo vilizotanguliwa vya njia za takwimu. Ingawa hazijakubalika sana nje ya sekta ya kifedha, mbinu nyingi za aina hii kwa sasa zimezalishwa katika benki.

Mbinu mpya iliendelezwa mwaka 2008 katika [1] kwa kutumia sifa ya kipekee ya nje ya kawaida, kwamba nje ya kawaida kwa kawaida huwa zilizotengwa ikilinganishwa na wingi wa pointi za data. Kwa kuzingatia sifa hii, inawezekana kuunda mgawanyiko wa nasibu unaozunguka pointi za data ili kufunga pointi ya data; kadiri mgawanyiko unaohitajika kuwatenga pointi ya data unavyopungua, ndivyo uwezekano wa pointi hiyo ya data kuwa nje ya kawaida unavyoongezeka. Algoriti iliyoendelezwa ina utata wa muda wa mstari na imethibitishwa kufanya kazi vizuri hata wakati data ya mafunzo ni chache; hii inatofautiana na mbinu za kawaida zinazohitaji data nyingi ya mafunzo.

Uhuishaji wa Udanganyifu wa Kadi ya Mkopo

Muhtasari wa Changamoto ya Shirika

Tukizingatia kwamba mabilioni ya muamala hufanyika kila siku, kugundua muamala wa haramu na kuendesha mfumo kwa wakati halisi ni changamoto. Ukaguzi wa kuona unaonyesha kwamba kupata sindano kwenye rundo la majani ni kama kupata sindano. Picha zifuatazo zinaonyesha muamala ya benki kwa muda, na halali kijani na haramu nyekundu. Ni changamoto kutenga muamala wa haramu. Taasisi za kifedha zinahitajika kujaribu kupambana na udanganyifu ili kufuata kanuni. Pia ni matarajio ya wateja. Kwa kawaida, wakati udanganyifu unapotokea, taasisi ya kifedha hubeba gharama ili kudumisha kuridhika kwa wateja.

Mpangilio wa Tawanya wa Miamala ya Kadi ya Mkopo

Muhtasari wa Viputo wa Miamala ya Kadi ya Mkopo

Mashirika yanazidi kugeukia mbinu za kujifunza kwa mashine kama sehemu ya safari zao za mabadiliko ya kidijitali ili kutatua matatizo yanayohitaji ukubwa kama ugunduzi wa udanganyifu. Vipimo vingi vya watengenezaji wa kugundua udanganyifu kwa kawaida huhifadhiwa ndani ya ghala la data. Mbinu za uhasibu wa uchunguzi pia zinaendelea sana katika kuamua vipimo vinavyotumika kama viingizo kwa ajili ya mifano ya kujifunza kwa mashine.

Misitu ya kujitenga imetumika kwenye seti ya data ya kadi ya mkopo ya Kaggle [2] na imeonyeshwa kuwa na ufanisi wa 99% katika kugundua muamala wa hila [3]. Kwa kuzingatia kwamba mbinu ya jumla imetambuliwa kuwa inafanya kazi, shirika nyingi zinakabiliwa na changamoto za utekelezaji zinazofanya kazi kwa kiasi kikubwa badala ya kuhitaji kufanya utafiti & endeleza suluhisho.

Data ya Shirika Inayopatikana kama Ingizo la ML

Vyanzo vya data vinavyotumiwa na taasisi za kifedha ni kama ifuatavyo:

Meta-data ya mteja.
Alama za wakati za muamala na kiasi.
Historia ya muamala ya wateja.
Eneo la kijiografia la miamala.
Sheria ya Benford.

Mbinu ya Ushirikiano

Yafuatayo ni muhtasari wa mchakato ambao tungefanya kiwango cha juu ili kuchambua huvyo malisho ndani ya shirika:

Tambua vipimo vya kifedha kutoka mifumo ya ERP ambavyo vinaweza kutumika kama ingizo.
Fundisha msitu wa kutengwa (isolation forest) kwenye seti ya awali ya data, na endelea kufundisha mfumo ukiwa njia ya wakati ujavo kuhakikisha unagundua mifumo ya hivi karibuni ya muamala wa udanganyifu.
Kwa kuita API za Telemus AI™ kuendesha Isolation Forest kwenye muamala inayoingia, API hurudisha makadirio ya uwezekano wa uwezekano wa muamala wa udanganyifu kulingana na mfano.
Sanisha mtiririko wa kazi na michakato maalum ili kuwaarifu timu ya udanganyifu pamoja na wateja kuhitia muamala unaoweza kuwa wa udanganyifu

Telemus AI™ ina mifumo imara ya kujifunza kwa mashine ili shirika lako liweze kulenga mantiki ya biashara badala ya utekelezaji wa kiufundi.

Matumizi ya Shirika

Yafuatayo yanaorodhesha matumizi mengine yanayowezekana kwa shirika lako:

Kugundua miamala ya udanganyifu.
Kugundua madai ya udanganyifu ya wafanyakazi.
Kutambua tabia isiyo ya kawaida ya shirika kupitia mifumo ya kufuatilia rasilimali watu.

Faida Zinazowezekana na Zilizotimizwa

Kwa kuzingatia kiasi kikubwa cha muda na pesa ambacho udanganyifu wa kifedha unagharimu pamoja na uharibifu wa sifa na kutokuridhika kwa wateja ambao unaweza kusababisha, kuzuia udanganyifu kwa njia ya moja kwa moja kunaweza kuokoa hadi milioni, hata bilioni za dola, kulingana na ukubwa wa shughuli. Mamlaka za udhibiti pia zinatoa miongozo ya kufuata yenye ukali zaidi kwa kuendelea. Kuna matarajio kwamba taasisi za kifedha zina michakato, taratibu, na mifumo ya kuzuia na kupambana na udanganyifu. Teknolojia za udhibiti, au RegTech ni uwanja unaoibuka ambao una uwezo wa kuendesha ubunifu mwingi ndani ya idara za shughuli za mashirika mengi siku zijazo.

Telemus AI™ ni kampuni ya akili bandia iliyoko Australia inayotoa suluhisho za hali ya juu kwa serikali na biashara. Wasiliana nasi leo kwa ushauri wa bila malipo juu ya jinsi Telemus AI™ inavyoweza kuunganishwa katika shirika lako.