Машинне навчання — Виявлення шахрайських транзакцій за допомогою ізоляційних лісів

Новий підхід був розроблений у 2008 році в [1] шляхом використання унікальної властивості викидів, яка полягає в тому, що викиди, як правило, ізольовані відносно більшості точок даних. З огляду на цю властивість, можна генерувати випадкові розбиття навколо точок даних, щоб оточити точку даних; чим менше розбиттів потрібно для ізоляції точки даних, тим імовірніше, що така точка даних є викидом. Розроблений алгоритм має лінійну часову складність і було доведено, що він добре працює навіть за наявності обмежених навчальних даних; це контрастує з типовими підходами, які потребують великих обсягів навчальних даних.

Організаційний виклик: огляд

Враховуючи, що щодня відбуваються мільярди транзакцій, виявлення шахрайських відхилень та запуск моделі в реальному часі є складним завданням. Візуальна перевірка показує, що пошук голки в стозі сіна схожий на пошук голки. Наступні зображення ілюструють банківські транзакції з часом, де легітимні позначені зеленим, а шахрайські — червоним. Виявити шахрайські транзакції складно. Фінансові установи зобов'язані намагатися боротися з шахрайством для дотримання нормативних вимог. Це також очікування клієнтів. Зазвичай, коли стається шахрайство, фінансова установа покриває витрати, щоб зберегти задоволеність клієнта.

Організації все частіше звертаються до методів машинного навчання як частини своїх шляхів цифрової трансформації для вирішення проблем, які вимагають масштабування, таких як виявлення шахрайства. Багато маркерів для виявлення шахрайства зазвичай зберігаються в сховищах даних. Методи судово-бухгалтерської експертизи також є досить передовими у визначенні показників, що використовуються як вхідні дані для моделей машинного навчання.

Ізоляційні ліси були застосовані до набору даних кредитних карток Kaggle [2] і продемонстрували 99% ефективності у виявленні шахрайських транзакцій [3]. Враховуючи, що визначено загальний підхід, який працює, більшість організацій стикаються з проблемами впровадження, які працюють у масштабі, замість того, щоб проводити дослідження & розробити рішення.

Організаційні дані, доступні як вхідні дані для ML

Джерела даних, що використовуються фінансовими установами, є такими:

• Метадані клієнтів.
• Мітки часу та суми транзакцій.
• Історія транзакцій клієнтів.
• Географічне розташування транзакцій.
• Закон Бенфорда.

Методологія інтеграції

Нижче наведено огляд процесу, який ми б виконали на високому рівні для аналізу таких потоків даних в організації:

• Визначте фінансові показники з систем ERP, які можна використовувати як вхідні дані.
• Навчити ізоляційний ліс на початковому наборі даних і продовжувати навчання моделі в майбутньому, щоб забезпечити виявлення новіших шаблонів шахрайських транзакцій.
• Викликаючи API Telemus AI™ для запуску Isolation Forest над вхідними транзакціями, API повертає ймовірнісну оцінку ймовірності шахрайської транзакції на основі моделі.
• Налаштуйте спеціалізовані робочі процеси та процедури для сповіщення команди з боротьби з шахрайством, а також клієнтів про потенційно шахрайські транзакції

Telemus AI™ має надійні моделі машинного навчання, щоб ваша організація могла зосередитися на бізнес-логіці, а не на технічній реалізації.

Організаційні застосування

Нижче наведено інші потенційні додатки для вашої організації:

• Виявлення шахрайських транзакцій.
• Виявлення шахрайських заяв працівників.
• Виявлення незвичної поведінки в організації за допомогою систем відстеження людських ресурсів.

Потенційні та реалізовані переваги

З огляду на величезні витрати часу та грошей, які спричиняє фінансове шахрайство, а також репутаційні збитки та незадоволеність клієнтів, які воно може викликати, активне запобігання шахрайству може зекономити мільйони, навіть мільярди доларів, залежно від масштабу операцій. Регуляторні органи також постійно випускають більш суворі рекомендації щодо дотримання вимог. Очікується, що фінансові установи матимуть процеси, процедури та системи для запобігання шахрайству та боротьби з ним. Регуляторні технології, або RegTech — це нова галузь, яка має потенціал для стимулювання багатьох інновацій у відділах операцій багатьох організацій у майбутньому.

Telemus AI™ — це австралійська компанія з штучного інтелекту, яка надає передові рішення для уряду та підприємств. Зв'яжіться з нами сьогодні для безкоштовної консультації щодо того, як Telemus AI™ можна інтегрувати у вашу організацію.

Посилання

[1] - Ізоляційний ліс - Фей Тоні Лю, Кай Мін Тін та Чжі-Хуа Чжоу
[2] - Виявлення шахрайства з кредитними картками - Kaggle
[3] - Машинне навчання у виявленні шахрайства з кредитними картками — S Joel Franklin