Machine Learning - Pagtuklas sa mga Mapanlinlang na Transaksyon gamit ang Isolation Forests

Isang nobelong pamamaraan ay binuo noong 2008 sa [1] sa pamamagitan ng paggamit sa isang natatanging katangian ng mga outlier, na ang mga outlier ay karaniwang nakahiwalay kamag-anak sa mayorya ng mga data point. Dahil sa katangiang ito, posible na bumuo ng mga random partition sa paligid ng mga data point upang i-enclose ang isang data point, mas kaunting partition ang kinakailangan upang ihiwalay ang isang data point, mas malamang na ang ganitong data point ay isang outlier. Ang binuong algorithm ay may linear time complexity at napatunayang gumana nang mabuti kahit na kapag limitado ang available na training data; ito ay salungat sa mga karaniwang pamamaraan na humihingi ng malawak na training data.

Pangkalahatang-ideya ng Hamon sa Organisasyon

Sa pagpapalagay na bilyun-bilyong transaksyon ang nagaganap araw-araw, ang pagtuklas sa mga mapanlinlang na outlier at ang pagpapatakbo ng modelo sa real-time ay hamon. Ang isang visual na pagsusuri ay nagbibigay-diin na ang paghahanap ng karayom sa mga damo ay parang paghahanap ng karayom. Ang mga sumusunod na imahe ay naglalarawan ng mga transaksyon sa bangko sa paglipas ng panahon, na may lehitimong berde at mapanlinlang na pula. Mahirap ihiwalay ang mga mapanlinlang na transaksyon. Ang mga institusyong pinansyal ay kinakailangang sumubok na labanan ang pandayang ito upang sumunod sa mga regulasyon. Ito rin ang inaasahan ng mga customer. Karaniwan, kapag nangyari ang pandaraya, ang institusyong pinansyal ang nagbabayad ng gastos upang mapanatili ang kasiyahan ng customer.

Lalong lumalapit ang mga organisasyon sa mga pamamaraan ng machine learning bilang bahagi ng kanilang mga paglalakbay sa digital transformation upang lutasin ang mga problemang nangangailangan ng scale tulad ng fraud detection. Marami sa mga marker upang matukoy ang pandaraya ay karaniwang iniimbak sa loob ng mga data warehouse. Ang mga pamamaraan ng forensic accounting ay medyo advanced din sa pagtukoy ng mga metric na ginagamit bilang input para sa mga modelong machine learning.

Ang mga isolation forest ay nailapat sa Kaggle credit card dataset [2] at napatunayang 99% epektibo sa pagtuklas ng mga mapanlinlang na transaksyon [3]. Sa pagiging alam na may isang pangkalahatang diskarte na gumagana, karamihan sa mga organisasyon ay nakaharap sa mga hamon sa implementasyon na gumagana sa malaking sukat sa halip na kinakailangang magsaliksik & bumuo ng solusyon.

Data na Organisasyonal na Magagamit bilang Input ng ML

Ang mga pinagmulan ng data na ginagamit ng mga pinansyal na institusyon ay ang mga sumusunod:

• Customer meta-data.
• Mga timestamp at halaga ng transaksyon.
• Kasaysayan ng transaksyon ng mga customer.
• Ang heograpikong lokasyon ng mga transaksyon.
• Batas ni Benford.

Methodology ng Integration

Ang sumusunod ay isang pangkalahatang-ideya ng proseso na isasagawa namin sa isang mataas na antas upang suriin ang mga ganitong feed sa loob ng isang organisasyon:

• Tukuyin ang mga pananalaping metric mula sa mga ERP system na maaaring gamitin bilang inputs.
• Mag-train ng isolation forest sa isang paunang dataset, at ipagpatuloy ang pag-train sa modelo sa mga susunod na panahon upang matiyak na madedetect nito ang mas kamakailang mga pattern ng mapanlinlang na transaksyon.
• Sa pagtawag sa mga Telemus AI™ API upang patakbuhin ang Isolation Forest sa mga papasok na transaksyon, nagbabalik ang API ng probabilistic estimate ng posibilidad ng isang mapanlinlang na transaksyon batay sa model.
• Mag-set up ng mga customised workflow at proseso upang i-alerto ang fraud team pati na rin ang mga customer sa mga posibleng pandarayang transaksyon

May matibay na machine learning models ang Telemus AI™ kaya makatuon na ang iyong organisasyon sa business logic sa halip na sa technical implementation.

Mga Organisational Application

Naglilista ang sumusunod ng iba pang mga potensyal na aplikasyon para sa iyong organisasyon:

• Pag-detect sa mga mapanlinlang na transaksyon.
• Pag-detect sa mga mapanlinlang na claim ng empleyado.
• Pagtukoy sa hindi pangkaraniwang organisasyonal na pag-uugali sa pamamagitan ng human resources tracking systems.

Mga Potensyal at Narealisang Benepisyo

Dahil sa napakalaking lawak ng oras at pera na ginagastos sa financial fraud at sa reputational damage at kawalan ng kasiyahan ng customer na maaaring idulot nito, ang aktibong pag-iwas sa pandaraya ay makakapagtipid ng hanggang milyun-milyon, maging bilyun-bilyong dolyar, depende sa sukat ng operasyon. Patuloy din na naglalabas ang mga regulatory body ng mas mahigpit na mga alituntunin sa pagsunod. Mayroong inaasahan na ang mga institusyong pinansyal ay may mga proseso, pamamaraan, at sistema upang maiwasan at labanan ang pandaraya. Ang mga regulatory technology, o RegTech ay isang umuusbong na larangan na may potensyal na magtulak ng maraming inobasyon sa loob ng mga departamento ng operasyon ng maraming organisasyon sa paglipat sa hinaharap.

Ang Telemus AI™ ay isang kumpanya ng artificial intelligence na nakabase sa Australia na nagbibigay ng mga advanced na solusyon sa gobyerno at enterprise. Makipag-ugnayan sa amin ngayon para sa isang libreng konsultasyon kung paano maaring isama ang Telemus AI™ sa iyong organisasyon.

Mga Sanggunian

[1] - Isolation Forest - Fei Tony Liu, Kai Ming Ting, at Zhi-Hua Zhou
[2] - Pagtuklas sa Panloloko sa Credit Card - Kaggle
[3] - Machine Learning sa Credit Card Fraud Detection - S Joel Franklin