Makine Öğrenmesi - İzolasyon Ormanları ile Sahte İşlemleri Tespit Etme

Giderek daha fazla birbirine bağlanan dijital bir dünyada, geleneksel mağazalardaki satış noktası terminallerinden çevrimiçi ödeme ağ geçitlerine kadar çeşitli sistemler aracılığıyla her gün milyarlarca işlem gerçekleşmektedir. Bu sistemler büyük fırsatlar sağlamış ve benzersiz iş modellerine sahip yeni yenilikçi işletmelerin önünü açmıştır. Önemli faydalar sağlanmış olsa da, giderek daha karmaşık hale gelen siber suçlarda da keskin bir artış olmuştur.

Siber suçların en yaygın biçimlerinden biri, küresel finans sektöründe listelenen milyarlarca doları oluşturan kredi kartı dolandırıcılığıdır. Her gün gerçekleşen işlem sayısı göz önüne alındığında, finansal kurumların siber suçlularla mücadele etmesi zorlu bir iştir; Makine Öğrenimindeki son gelişmeler, sahte işlemleri tanımlamak ve tespit etmek için yeni yöntemlerin ortaya çıkmasını sağlamıştır. Doğru dolandırıcılık tanımlaması, müşteriyi uyarmak ve bir işlem ilerlemeden önce daha fazla onay istemek gibi otomatik azaltılmış stratejilere olanak tanır.

Bu vaka çalışması, kredi kartı dolandırıcılığının tanımlanmasına yönelik makine öğrenimi odaklı bir yaklaşımı incelemektedir. Makine Öğrenimi birçok farklı ortamda etkili olduğunu kanıtlamıştır ve ayrıca bankacılık sistemlerini uygulayan yazılım mühendisleri için temel bir değerlendirme olan büyük hacimli veriler üzerinde çalışmada verimlidir.

Sorunu Yapay Zeka ile Çözme

Anomalileri tespit etmek geleneksel olarak istatistik alanı içinde olan bir sorun olmuştur. Geleneksel yöntemler, bir veri kümesinin normal dağılım içinde olduğunu varsayar. Bu nedenle, aykırı değerler, hangi veri noktalarının normdan önemli ölçüde saptığını gözlemleyerek tespit edilir. Bu yöntemin dezavantajı, bir veri kümesi normal olarak dağılmadıysa, tekniğin etkinliğinin sınırlı olmasıdır.

Anomali bir noktayı izole eden makine öğrenmesi anomali tespiti

Son algoritmik gelişmeleri kullanan Makine Öğrenmesi yaklaşımları daha sonra denendi ve bunların son derece etkili, ölçeklenebilir olduğu ve istatistiksel yöntemlerin yukarıda belirtilen sınırlamalarını aştığı kanıtlandı. Finans sektörü dışında yaygın olarak benimsenmemiş olsa da, bu yöntemlerin birçoğu şu anda bankacılıkta üretime alınmıştır.

2008 yılında [1] kaynağında, aykırı değerlerin benzersiz bir özelliğinden yararlanılarak yeni bir yaklaşım geliştirilmiştir; bu özellik, aykırı değerlerin tipik olarak veri noktalarının çoğunluğuna göre izole olmasıdır. Bu özellik göz önüne alındığında, bir veri noktasını çevrelemek için onu içine alacak rastgele bölümler oluşturmak mümkündür; bir veri noktasını izole etmek için gereken bölüm sayısı ne kadar azsa, o veri noktasının aykırı değer olma olasılığı o kadar yüksektir. Geliştirilen algoritma doğrusal bir zaman karmaşıklığına sahiptir ve sınırlı eğitim verisi mevcut olduğunda bile iyi çalıştığı kanıtlanmıştır; bu, kapsamlı eğitim verileri gerektiren tipik yaklaşımlarla tezat oluşturmaktadır.

Kredi Kartı Dolandırıcılığı Animasyonu

Kurumsal Zorluğa Genel Bakış

Günde milyarlarca işlemin gerçekleştiği düşünüldüğünde, sahte aykırı değerleri tespit etmek ve bir modeli gerçek zamanlı olarak çalıştırmak zorlu bir iştir. Görsel bir inceleme, samanlıkta iğne aramanın iğne bulmak gibi olduğunu vurgular. Aşağıdaki görüntüler, zaman içindeki bankacılık işlemlerini, meşru olanlar yeşil ve sahte olanlar kırmızı renkle göstermektedir. Sahte işlemleri izole etmek zorlu bir iştir. Finansal kuruluşların, yönetmeliklere uymak için dolandırıcılıkla mücadele etmeye çalışması gerekir. Bu aynı zamanda müşterilerin de bir beklentisidir. Genellikle dolandırıcılık gerçekleştiğinde, müşteri memnuniyetini korumak için maliyeti finansal kuruluş öder.

Kredi Kartı İşlemleri Dağılım Grafiği

Kredi Kartı İşlemleri Paketlenmiş Kabarcık Grafiği

Kuruluşlar, dijital dönüşüm yolculuklarının bir parçası olarak dolandırıcılık tespiti gibi ölçek gerektiren sorunları çözmek için giderek artan bir şekilde makine öğrenimi yöntemlerine yönelmektedir. Dolandırıcılığı tespit etmek için kullanılan göstergelerin birçoğu tipik olarak veri ambarlarında depolanır. Adli muhasebe teknikleri de makine öğrenimi modelleri için girdi olarak kullanılan metrikleri belirlemede oldukça gelişmiştir.

İzolasyon ormanları Kaggle kredi kartı veri setine [2] uygulanmış ve sahte işlemleri tespit etmede %99 etkili olduğu gösterilmiştir [3]. İşe yarayan genel bir yaklaşım belirlendiğinde, çoğu kuruluş, araştırma yapmak zorunda kalmak yerine ölçeklendirilebilen uygulama zorluklarıyla karşılaşmaktadır & bir çözüm geliştirin.

ML Girdisi Olarak Kullanılabilen Kurumsal Veriler

Finansal kurumlar tarafından kullanılan veri kaynakları şunlardır:

Müşteri meta verileri.
İşlem zaman damgaları ve tutarları.
Müşterilerin işlem geçmişi.
İşlemlerin coğrafi konumu.
Benford Yasası.

Entegrasyon Metodolojisi

Aşağıdakiler, bir kuruluş içindeki这样的 yayınları yüksek seviyede analiz etmek için gerçekleştireceğimiz sürece dair bir genel bakıştır:

ERP sistemlerinden giriş olarak kullanılabilecek finansal metrikleri tanımlayın.
İlk bir veri setinde bir izolasyon ormanı eğitin ve daha yakın zamanlı sahte işlem kalıplarını tespit etmesini sağlamak için modeli geleceğe yönelik olarak eğitmeye devam edin.
Gelen işlemlerde Isolation Forest algoritmasını çalıştırmak için Telemus AI™ API'lerini çağırdığınızda, API, modele dayanarak hileli bir işlem olasılığına ilişkin olasılıksal bir tahmin döndürür.
Olası sahte işlemler konusunda dolandırıcılık ekibini ve müşterileri uyarmak için özelleştirilmiş iş akışları ve süreçler ayarlayın

Telemus AI™, sağlam makine öğrenimi modellerini okur, böylece kurumunuz teknik uygulamaya değil, iş mantığına odaklanabilir.

Kurumsal Uygulamalar

Aşağıda kuruluşunuz için diğer potansiyel uygulamalar listelenmektedir:

Sahte işlemleri tespit etme.
Sahte çalışan taleplerini tespit etme.
İnsan kaynakları takip sistemleri aracılığıyla olağandışı kurumsal davranışları belirleme.

Potansiyel ve Gerçekleşen Faydalar

Mali dolandırıcılığın mal olduğu muazzam zaman ve para miktarı ile neden olabileceği itibar zararı ve müşteri memnuniyetsizliği göz önüne alındığında, dolandırıcılığı aktif olarak önlemek operasyon ölçeğine bağlı olarak milyonlarca, hatta milyarlarca dolar tasarruf sağlayabilir. Düzenleyici kurumlar da sürekli olarak daha sıkı uyum yönergeleri çıkarmaktadır. Finansal kurumların dolandırıcılığı önlemek ve bununla mücadele etmek için süreçlere, prosedürlere ve sistemlere sahip olması beklenmektedir. Düzenleyici teknolojiler veya RegTech, birçok kurumun operasyon departmanlarında geleceğe dönük birçok yeniliği yönlendirme potansiyeline sahip, yükselen bir alandır.

Telemus AI™, hükümet ve kurumsal işletmelere gelişmiş çözümler sunan Avustralya merkezli bir yapay zeka şirketidir. Telemus AI™'nin kurumunuza nasıl entegre edilebileceği hakkında ücretsiz bir danışmanlık için bugün bizimle iletişime geçin.

Referanslar

[1] - İzolasyon Ormanı - Fei Tony Liu, Kai Ming Ting ve Zhi-Hua Zhou
[2] - Kredi Kartı Dolandırıcılığı Tespiti - Kaggle
[3] - Kredi Kartı Dolandırıcılığı Tespitinde Makine Öğrenmesi - S Joel Franklin

Etiketler