การเรียนรู้ของเครื่องจักร - การตรวจจับธุรกรรมที่ฉ้อโกงด้วย Isolation Forests
ในโลกดิจิทัลที่มีความเชื่อมโยงกันมากขึ้นเรื่อยๆ มีธุรกรรมหลายพันล้านเกิดขึ้นทุกวันผ่านระบบต่างๆ ตั้งแต่เครื่องขายสินค้า ณ จุดบริการในร้านค้าแบบดั้งเดิมไปจนถึงระบบชำระเงินออนไลน์ ระบบเหล่านี้ได้สร้างโอกาสที่ดีและช่วยขับเคลื่อนธุรกิจที่เป็นนวัตกรรมใหม่ๆ ที่มีรูปแบบธุรกิจที่เป็นเอกลักษณ์ แม้ว่าจะมีประโยชน์อย่างมาก แต่อาชญากรรมไซเบอร์ที่มีความซับซ้อนมากขึ้นก็เพิ่มขึ้นอย่างรวดเร็วเช่นกัน
หนึ่งในรูปแบบของอาชญากรรมไซเบอร์ที่พบบ่อยที่สุดคือการทุจริตบัตรเครดิต ซึ่งคิดเป็นมูลค่าหลายพันล้านดอลลาร์ที่ระบุไว้ในภาคการเงินทั่วโลก เนื่องจากจำนวนธุรกรรมที่เกิดขึ้นในแต่ละวัน จึงเป็นความท้าทายสำหรับสถาบันการเงินในการต่อสู้กับอาชญากรไซเบอร์ ความก้าวหน้าล่าสุดในด้านการเรียนรู้ของเครื่องได้นำไปสู่วิธีการใหม่ๆ ในการระบุและตรวจจับธุรกรรมที่ทุจริต การระบุการทุจริดที่แม่นยำช่วยให้สามารถดำเนินกลยุทธ์บรรเทาอัตโนมัติ เช่น การแจ้งเตือนลูกค้าและขอการยืนยันเพิ่มเติมก่อนที่ธุรกรรมจะดำเนินต่อไป
กรณีศึกษานี้สำรวจแนวทางการระบุการทุจริตบัตรเครดิตโดยมุ่งเน้นการเรียนรู้ของเครื่อง การเรียนรู้ของเครื่องได้รับการพิสูจน์ว่ามีประสิทธิภาพในสภาพแวดล้อมที่แตกต่างกันมากมาย และยังมีประสิทธิภาพในการทำงานกับข้อมูลจำนวนมาก ซึ่งเป็นข้อพิจารณาที่จำเป็นสำหรับวิศวกรซอฟต์แวร์ที่นำระบบธนาคารไปใช้งาน
การแก้ปัญหาผ่านปัญญาประดิษฐ์
การตรวจจับความผิดปกติแต่เดิมเป็นปัญหาที่อยู่ในขอบเขตสถิติ วิธีการแบบดั้งเดิมจะถือว่าชุดข้อมูลอยู่ในการแจกแจงแบบปกติ ดังนั้น ค่าผิดปกติจะถูกตรวจจับโดยการสังเกตว่าจุดข้อมูลใดแอบเอียงออกจากบรรทัดฐานอย่างมีนัยสำคัญ ข้อเสียของวิธีนี้คือหากชุดข้อมูลไม่ได้กระจายตัวแบบปกติ ประสิทธิภาพของเทคนิคนี้ก็จะถูกจำกัด
ต่อมามีการลองใช้แนวทางการเรียนรู้ของเครื่องจักรโดยใช้ความก้าวหน้าของอัลกอริทึมล่าสุด ซึ่งพิสูจน์แล้วว่ามีประสิทธิภาพสูง ปรับขยายได้ดี และเอาชนะข้อจำกัดที่กล่าวถึงข้างต้นของวิธีการทางสถิติ แม้ว่าจะไม่ได้รับการนำไปใช้อย่างแพร่หลายนอกภาคการเงิน แต่ปัจจุบันหลายวิธีการเหล่านี้ได้ถูกนำไปใช้ในระดับการผลิตในธนาคารแล้ว
แนวทางใหม่ได้รับการพัฒนาขึ้นในปี 2008 ใน [1] โดยใช้ประโยชน์จากคุณสมบัติเฉพาะของค่าผิดปกติ กล่าวคือ ค่าผิดปกติมักจะถูกแยกออกจากจุดข้อมูลส่วนใหญ่ จากคุณสมบัตินี้ จึงเป็นไปได้ที่จะสร้างพาร์ติชันแบบสุ่มรอบจุดข้อมูลเพื่อล้อมจุดข้อมูล ยิ่งพาร์ติชันที่จำเป็นในการแยกจุดข้อมูลนั้นออกมีจำนวนน้อยเท่าใด จุดข้อมูลดังกล่าวก็ยิ่งมีแนวโน้มว่าจะเป็นค่าผิดปกติมากเท่านั้น อัลกอริทึมที่พัฒนาขึ้นมีความซับซ้อนของเวลาเชิงเส้น และได้รับการพิสูจน์ว่าทำงานได้ดีแม้เมื่อมีข้อมูลการฝึกจำกัด ซึ่งแตกต่างจากแนวทางทั่วไปที่ต้องการข้อมูลการฝึกจำนวนมาก
ภาพรวมของความท้าทายในองค์กร
เมื่อพิจารณาว่ามีธุรกรรมหลายพันล้านเกิดขึ้นในแต่ละวัน การตรวจจับความผิดปกติที่เป็นการฉ้อโกงและการรันแบบจำลองแบบเรียลไทม์จึงเป็นเรื่องที่ท้าทาย การตรวจสอบด้วยสายตาแสดงให้เห็นว่าการหาเข็มในมหาสมุทรนั้นเปรียบเหมือนการหาเข็ม ภาพต่อไปนี้แสดงธุรกรรมการธนาคารตามกาลเวลา โดยสีเขียวคือธุรกรรมที่ชอบด้วยกฎหมายและสีแดงคือการฉ้อโกง การแยกธุรกรรมที่เป็นการฉ้อโกงออกมาเป็นเรื่องที่ท้าทาย สถาบันการเงินจำเป็นต้องพยายามต่อสู้กับการฉ้อโกงเพื่อให้เป็นไปตามข้อกำหนด นอกจากนี้ยังเป็นสิ่งที่ลูกค้าคาดหวัง โดยทั่วไปเมื่อเกิดการฉ้อโกง สถาบันการเงินจะเป็นผู้รับภาระค่าใช้จ่ายเพื่อรักษาความพึงพอใจของลูกค้า
องค์กรต่างๆ หันมาใช้วิธีการเรียนรู้ของเครื่องมากขึ้นเป็นส่วนหนึ่งของการเดินทางสู่การเปลี่ยนผ่านดิจิทัลเพื่อแก้ไขปัญหาที่ต้องใช้ระดับความสามารถในการขยายตัว เช่น การตรวจจับการทุจริต ตัวบ่งชี้การตรวจจับการทุจริตจำนวนมากมักถูกจัดเก็บไว้ภายในคลังข้อมูล เทคนิคการบัญชีนิติวิทยาศาสตร์นั้นก้าวหน้าเช่นกันในการกำหนดตัววัดที่ใช้เป็นข้อมูลนำเข้าสำหรับโมเดลการเรียนรู้ของเครื่อง
Isolation forests ถูกนำไปใช้กับชุดข้อมูลบัตรเครดิต Kaggle [2] และได้รับการสาธิตแล้วว่ามีประสิทธิภาพ 99% ในการตรวจจับธุรกรรมที่ฉ้อโกง [3] เนื่องจากได้มีการกำหนดแนวทางทั่วไปที่ใช้การได้แล้ว องค์กรส่วนใหญ่จึงเผชิญกับความท้าทายในการนำไปใช้งานจริงในระดับที่รองรับการขยายตัว มากกว่าที่จะต้องทำการวิจัย & พัฒนาโซลูชัน
ข้อมูลองค์กรที่พร้อมใช้เป็นข้อมูลนำเข้า ML
แหล่งข้อมูลที่ใช้โดยสถาบันการเงินมีดังนี้:
- ข้อมูลเมตาของลูกค้า
- การประทับเวลาและจำนวนเงินของธุรกรรม
- ประวัติธุรกรรมของลูกค้า
- ตำแหน่งทางภูมิศาสตร์ของธุรกรรม
- กฎของเบนฟอร์ด
ระเบียบวิธีบูรณาการ
ต่อไปนี้เป็นภาพรวมของกระบวนการที่เราจะดำเนินการในระดับสูงเพื่อวิเคราะห์ฟีดดังกล่าวภายในองค์กร:
- ระบุตัวชี้วัดทางการเงินจากระบบ ERP ที่สามารถใช้เป็นข้อมูลนำเข้าได้
- ฝึกฝนป่าแยกโดด (isolation forest) บนชุดข้อมูลเริ่มต้น และฝึกฝนแบบจำลองต่อไปในอนาคตเพื่อให้แน่ใจว่าสามารถตรวจจับรูปแบบธุรกรรมที่ฉ้อโกงล่าสุดได้
- การเรียก Telemus AI™ APIs เพื่อรัน Isolation Forest บนธุรกรรมขาเข้า API จะส่งคืนค่าประมาณการความน่าจะเป็นของความเป็นไปได้ที่จะเป็นธุรกรรมฉ้อโกงตามโมเดล
- ตั้งค่าเวิร์กโฟลว์และกระบวนการที่ปรับให้เหมาะสมเพื่อแจ้งเตือนทีมตรวจสอบการทุจริตตลอดจนลูกค้าเกี่ยวกับธุรกรรมที่อาจเป็นการทุจริต
Telemus AI™ มีโมเดลการเรียนรู้ของเครื่องที่แข็งแกร่งให้อ่าน เพื่อให้องค์กรของคุณสามารถมุ่งเน้นไปที่ตรรกะทางธุรกิจแทนการใช้งานด้านเทคนิค
การประยุกต์ใช้ในองค์กร
ต่อไปนี้เป็นรายการแอปพลิเคชันที่อาจเกิดขึ้นอื่นๆ สำหรับองค์กรของคุณ:
- การตรวจจับธุรกรรมที่ฉ้อโกง
- การตรวจจับการเรียกร้องที่ฉ้อโกงจากพนักงาน
- การระบุพฤติกรรมองค์กรที่ผิดปกติผ่านระบบติดตามทรัพยากรมนุษย์
ประโยชน์ที่อาจเกิดขึ้นและที่เกิดขึ้นจริง
เมื่อพิจารณาถึงมูลค่าเวลาและเงินอันมหาศาลที่การฉ้อโกงทางการเงินเป็นต้นทุน ตลอดจนความเสียหายต่อชื่อเสียงและความไม่พึงพอใจของลูกค้าที่อาจเกิดขึ้น การป้องกันการฉ้อโกงอย่างแข็งขันสามารถประหยัดเงินได้ถึงหลักล้าน หรือแม้กระทั่งหลักพันล้านดอลลาร์ ทั้งนี้ขึ้นอยู่กับขนาดของการดำเนินงาน หน่วยงานกำกับดูแลยังได้ออกแนวทางการปฏิบัติตามกฎระเบียบที่เข้มงวดขึ้นอย่างต่อเนื่องอีกด้วย โดยมีความคาดหวังว่าสถาบันการเงินจะต้องมีกระบวนการ ขั้นตอน และระบบเพื่อป้องกันและต่อสู้กับการฉ้อโกง เทคโนโลยีด้านกฎระเบียบ หรือ RegTech เป็นสาขาที่กำลังเกิดขึ้นซึ่งมีศักยภาพในการขับเคลื่อนนวัตกรรมมากมายภายในแผนกปฏิบัติการขององค์กรต่างๆ มากมายในขณะที่ก้าวไปสู่อนาคต
Telemus AI™ เป็นบริษัทปัญญาประดิษฐ์ที่มีฐานอยู่ในออสเตรเลีย ซึ่งให้บริการโซลูชันขั้นสูงแก่ภาครัฐและองค์กร ติดต่อเราวันนี้เพื่อรับคำปรึกษาฟรีเกี่ยวกับวิธีที่ Telemus AI™ สามารถบูรณาการเข้ากับองค์กรของคุณ
เอกสารอ้างอิง
[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, และ Zhi-Hua Zhou
[2] - การตรวจจับการฉ้อโกงบัตรเครดิต - Kaggle
[3] - การเรียนรู้ของเครื่องจักรในการตรวจจับการทุจริตบัตรเครดิต - S Joel Franklin
