இயந்திரக் கற்றல் - தனிமைப்படுத்தப்பட்ட காடுகளுடன் மோசடி பரிவர்த்தனைகளைக் கண்டறிதல்

2008 ஆம் ஆண்டில் [1] இல் வெளிப்படையான தனித்துவமான பண்பைப் பயன்படுத்தி ஒரு புதிய அணுகுமுறை உருவாக்கப்பட்டது, அதாவது வெளிப்படையானவை பொதுவாக பெரும்பாலான தரவு புள்ளிகளுக்கு தொடர்பாக தனிமைப்படுத்தப்பட்டிருக்கும். இந்தப் பண்பு கொடுக்கப்பட்டால், ஒரு தரவு புள்ளியை சூழ தரவு புள்ளிகளை மூடுவதற்கு சீரற்ற பகிர்வுகளை உருவாக்க முடியும், ஒரு தரவு புள்ளியை தனிமைப்படுத்தத் தேவையான பகிர்வுகள் எவ்வளவு குறைவாக உள்ளதோ, அந்த தரவு புள்ளி ஒரு வெளிப்படையானதாக இருக்க அத்தனை அதிக வாய்ப்பு உள்ளது. உருவாக்கப்பட்ட வழிமுறை ஒரு நேரியல் நேர சிக்கலைக் கொண்டுள்ளது மற்றும் வரையறுக்கப்பட்ட பயிற்சி தரவு கிடைக்கும்போது கூட நன்றாக வேலை செய்யும் என்று நிரூபிக்கப்பட்டது; இது விரிவான பயிற்சி தரவைக் கோரும் வழக்கமான அணுகுமுறைகளுடன் மாறுபடுகிறது.

அமைப்புசார் சவாலின் கண்ணோட்டம்

தினமும் பில்லியன் கணக்கான பரிவர்த்தனைகள் நடைபெறுவதைக் கருத்தில் கொண்டால், மோசடி விதிவிலக்குகளைக் கண்டறிந்து நிகழ்நேரத்தில் ஒரு மாதிரியை இயக்குவது சவாலானது. காட்சி ஆய்வு, வைக்கோல் மூட்டையில் ஊசி கண்டுபிடிப்பது ஊசியைக் கண்டுபிடிப்பதைப் போன்றது என்பதை எடுத்துக்காட்டுகிறது. பின்வரும் படங்கள் காலப்போக்கில் வங்கி பரிவர்த்தனைகளை சட்டபூர்வமான பச்சை மற்றும் மோசடி செய்யப்பட்ட சிவப்பு என விளக்குகின்றன. மோசடி பரிவர்த்தனைகளைத் தனிமைப்படுத்துவது சவாலானது. நிதி நிறுவனங்கள் ஒழுங்குமுறைகளுக்கு இணங்க மோசடிகளை எதிர்த்துப் போராட முயற்சிக்க வேண்டும். இது வாடிக்கையாளர்களின் எதிர்பார்ப்பும் ஆகும். பொதுவாக, மோசடி நிகழும்போது, வாடிக்கையாளர் திருப்தியைப் பேணுவதற்காக நிதி நிறுவனமே செலவை ஏற்கிறது.

மோசடி கண்டறிதல் போன்ற அளவீடு தேவைப்படும் சிக்கல்களைத் தீர்க்க அமைப்புகள் தங்கள் டிஜிட்டல் மாற்றப் பயணங்களின் ஒரு பகுதியாக இயந்திர கற்றல் முறைகளைப் பயன்படுத்தத் தொடங்குகின்றன. மோசடியைக் கண்டறியும் பல குறிப்பான்கள் பொதுவாக தரவு கிடங்குகளுக்குள் சேமிக்கப்படுகின்றன. இயந்திர கற்றல் மாதிரிகளுக்கான உள்ளீடுகளாகப் பயன்படுத்தப்படும் அளவீடுகளைத் தீர்மானிப்பதில் தடயவியல் கணக்கியல் நுட்பங்களும் மிகவும் மேம்பட்டவை.

தனிமைப்படுத்தப்பட்ட காடுகள் Kaggle கிரெடிட் கார்டு தரவுத்தொகுப்பில் [2] பயன்படுத்தப்பட்டுள்ளன, மேலும் ஏமாற்றும் பரிவர்த்தனைகளைக் கண்டறிவதில் 99% பயனுள்ளதாக இருப்பது நிரூபிக்கப்பட்டுள்ளது [3]. ஒரு பொதுவான அணுகுமுறை செயல்படுவதாக தீர்மானிக்கப்பட்டிருப்பதால், பெரும்பாலான நிறுவனங்கள் ஆராய்ச்சி செய்வதை விட அளவில் செயல்படும் செயல்படுத்தல் சவால்களை எதிர்கொள்கின்றன. & ஒரு தீர்வை உருவாக்கு.

ML உள்ளீடாகக் கிடைக்கும் அமைப்புசார் தரவு

நிதி நிறுவனங்களால் பயன்படுத்தப்படும் தரவு மூலங்கள் பின்வருமாறு:

• வாடிக்கையாளர் மெட்டா-டேட்டா.
• பரிவர்த்தனை நேரமுத்திரைகள் மற்றும் தொகைகள்.
• வாடிக்கையாளர்களின் பரிவர்த்தனை வரலாறு.
• பரிவர்த்தனைகளின் புவியியல் இருப்பிடம்.
• பென்ஃபோர்டின் விதி.

ஒருங்கிணைப்பு முறையியல்

ஒரு நிறுவனத்திற்குள் இத்தகைய ஊட்டங்களை பகுப்பாய்வு செய்ய நாங்கள் உயர்நிலையில் செய்வதற்கு பின்வருவது செயல்முறையின் மேலோட்டமாகும்:

• ERP அமைப்புகளிலிருந்து உள்ளீடுகளாகப் பயன்படுத்தக்கூடிய நிதி அளவீடுகளை அடையாளம் காணவும்.
• ஆரம்ப தரவுத்தொகுப்பில் ஒரு ஐசோலேஷன் ஃபாரெஸ்ட்டைப் பயிற்றுவி, மேலும் சமீபத்திய மோசடி பரிவர்த்தனை வடிவங்களை அது கண்டறிவதை உறுதி செய்ய எதிர்காலத்திலும் மாதிரியைத் தொடர்ந்து பயிற்றுவி.
• உள்வரும் பரிவர்த்தனைகளில் தனிமைப்படுத்தப்பட்ட காடு வழிமுறையை இயக்க Telemus AI™ API-களை அழைத்தல், API மாதிரியின் அடிப்படையில் மோசடியான பரிவர்த்தனையின் நிகழ்தகவின் நிகழ்தகவு மதிப்பீட்டை வழங்குகிறது.
• சாத்தியமான மோசடி பரிவர்த்தனைகள் குறித்து மோசடி குழுவிற்கும் வாடிக்கையாளர்களுக்கும் எச்சரிக்கை விடுக்க தனிப்பயனாக்கப்பட்ட பணிப்பாய்வுகள் மற்றும் செயல்முறைகளை அமைக்கவும்

Telemus AI™ வலுவான இயந்திரக் கற்றல் மாதிரிகளைக் கொண்டுள்ளது, எனவே உங்கள் நிறுவனம் தொழில்நுட்ப செயல்படுத்தலுக்குப் பதிலாக வணிகத் தர்க்கத்தில் கவனம் செலுத்த முடியும்.

நிறுவன பயன்பாடுகள்

உங்கள் நிறுவனத்திற்கான பிற சாத்தியமான பயன்பாடுகளை பின்வருவன பட்டியலிடுகின்றன:

• மோசடியான பரிவர்த்தனைகளைக் கண்டறிதல்.
• ஊழியர்களின் மோசடி கோரிக்கைகளைக் கண்டறிதல்.
• மனித வள கண்காணிப்பு அமைப்புகள் மூலம் அசாதாரண நிறுவன நடத்தையை தீர்மானித்தல்.

சாத்தியமான மற்றும் உணரப்பட்ட நன்மைகள்

நிதி மோசடி ஏற்படுத்தும் பெருமளவு நேரம் மற்றும் பணத்தின் அளவு மற்றும் அது ஏற்படுத்தக்கூடிய நற்பெயர் சேதம் மற்றும் வாடிக்கையாளர் அதிருப்தியைக் கருத்தில் கொண்டு, மோசடியைத் தீவிரமாகத் தடுப்பது செயல்பாட்டின் அளவைப் பொறுத்து பல மில்லியன், கோடிக்கணக்கான டாலர்கள் வரை சேமிக்கலாம். ஒழுங்குமுறை அமைப்புகளும் தொடர்ந்து கடுமையான இணக்க வழிகாட்டுதல்களை வெளியிட்டு வருகின்றன. நிதி நிறுவனங்கள் மோசடியைத் தடுக்கவும் எதிர்த்துப் போராடவும் செயல்முறைகள், நடைமுறைகள் மற்றும் அமைப்புகளைக் கொண்டிருக்க வேண்டும் என்ற எதிர்பார்ப்பு உள்ளது. ஒழுங்குமுறை தொழில்நுட்பங்கள், அல்லது RegTech என்பது ஒரு வளரும் துறையாகும், இது பல நிறுவனங்களின் செயல்பாட்டுத் துறைகளில் எதிர்காலத்தில் பல புதுமைகளை இயக்கும் திறனைக் கொண்டுள்ளது.

Telemus AI™ அரசு மற்றும் நிறுவனங்களுக்கு மேம்பட்ட தீர்வுகளை வழங்கும் ஆஸ்திரேலியாவை அடிப்படையாகக் கொண்ட செயற்கை நுண்ணறிவு நிறுவனமாகும். Telemus AI™ உங்கள் நிறுவனத்துடன் எவ்வாறு ஒருங்கிணைக்கப்படலாம் என்பது குறித்த இலவச ஆலோசனைக்கு இன்றே எங்களைத் தொடர்பு கொள்ளவும்.

குறிப்புகள்

[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, and Zhi-Hua Zhou
[2] - கிரெடிட் கார்ட் மோசடி கண்டறிதல் - Kaggle
[3] - கிரெடிட் கார்டு மோசடி கண்டறிதலில் இயந்திர கற்றல் - S ஜோயல் பிராங்க்ளின்