Học máy - Phát hiện giao dịch gian lận với Isolation Forests
Trong một thế giới kỹ thuật số ngày càng kết nối chặt chẽ, hàng tỷ giao dịch diễn ra mỗi ngày thông qua các hệ thống khác nhau, từ các thiết bị đầu cuối điểm bán hàng trong các cửa hàng truyền thống đến các cổng thanh toán trực tuyến. Các hệ thống này đã mang lại những cơ hội to lớn và giúp thúc đẩy các doanh nghiệp đổi mới sáng tạo mới với các mô hình kinh doanh độc đáo. Mặc dù đã có những lợi ích đáng kể, nhưng cũng có sự gia tăng mạnh mẽ của tội phạm mạng ngày càng tinh vi.
Một trong những hình thức tội phạm mạng phổ biến nhất là gian lận thẻ tín dụng, chiếm hàng tỷ đô la được ghi nhận trong lĩnh vực tài chính trên toàn cầu. Xét đến số lượng giao dịch diễn ra mỗi ngày, các tổ chức tài chính gặp nhiều thách thức trong việc chống lại các tội phạm mạng; những tiến bộ gần đây trong Học máy đã làm phát sinh các phương pháp mới để xác định và phát hiện các giao dịch gian lận. Việc xác định gian lận chính xác cho phép các chiến lược giảm thiểu tự động như cảnh báo khách hàng và yêu cầu xác nhận thêm trước khi giao dịch được tiến hành.
Nghiên cứu tình huống này khám phá cách tiếp cận dựa trên học máy đối với việc xác định gian lận thẻ tín dụng. Học Máy đã được chứng minh là hiệu quả trong nhiều bối cảnh khác nhau và cũng có hiệu quả cao khi chạy trên khối lượng dữ liệu lớn, một cân nhắc thiết yếu đối với các kỹ sư phần mềm triển khai các hệ thống ngân hàng.
Giải quyết Vấn đề thông qua Trí tuệ Nhân tạo
Phát hiện các điểm bất thường theo truyền thống là một vấn đề nằm trong lĩnh vực thống kê. Các phương pháp thông thường giả định rằng một tập dữ liệu tuân theo phân phối chuẩn. Do đó, các giá trị ngoại lệ được phát hiện bằng cách quan sát xem những điểm dữ liệu nào lệch đáng kể so với chuẩn mực. Nhược điểm của phương pháp này là nếu một tập dữ liệu không có phân phối chuẩn, tính hiệu quả của kỹ thuật sẽ bị hạn chế.
Các phương pháp tiếp cận Học máy sử dụng những tiến bộ thuật toán gần đây đã được thử nghiệm sau đó, chứng minh được tính hiệu quả cao, khả năng mở rộng và vượt qua những hạn chế đã nêu của các phương pháp thống kê. Mặc dù không được áp dụng rộng rãi ngoài lĩnh vực tài chính, nhiều phương pháp trong số này hiện đã được triển khai sản xuất trong ngành ngân hàng.
Một cách tiếp cận mới đã được phát triển vào năm 2008 trong [1] bằng cách khai thác một thuộc tính độc đáo của các giá trị ngoại lệ, đó là các giá trị ngoại lệ thường bị cô lập so với phần lớn các điểm dữ liệu. Dựa vào thuộc tính này, có thể tạo ra các phân vùng ngẫu nhiên bao quanh các điểm dữ liệu để bao đóng một điểm dữ liệu, càng ít phân vùng cần thiết để cô lập một điểm dữ liệu, thì điểm dữ liệu đó càng có khả năng là một giá trị ngoại lệ. Thuật toán được phát triển có độ phức tạp thời gian tuyến tính và được chứng minh là hoạt động tốt ngay cả khi có dữ liệu huấn luyện hạn chế; điều này trái ngược với các cách tiếp cận điển hình đòi hỏi lượng dữ liệu huấn luyện phong phú.
Tổng quan về Thách thức của Tổ chức
Xem xét rằng hàng tỷ giao dịch diễn ra hàng ngày, việc phát hiện các ngoại lệ gian lận và chạy mô hình trong thời gian thực là một thách thức. Một kiểm tra trực quan làm nổi bật rằng việc tìm một chiếc kim trong đống rơm giống như tìm một chiếc kim. Các hình ảnh sau đây minh họa các giao dịch ngân hàng theo thời gian, với màu xanh hợp pháp và màu đỏ gian lận. Thật khó khăn để cô lập các giao dịch gian lận. Các tổ chức tài chính được yêu cầu phải cố gắng chống gian lận để tuân thủ các quy định. Đây cũng là kỳ vọng của khách hàng. Thông thường, khi xảy ra gian lận, tổ chức tài chính phải chịu chi phí để duy trì sự hài lòng của khách hàng.
Các tổ chức ngày càng chuyển sang các phương pháp học máy như một phần trong hành trình chuyển đổi số của họ để giải quyết các vấn đề đòi hỏi quy mô lớn như phát hiện gian lận. Nhiều dữ liệu dùng để phát hiện gian lận thường được lưu trữ trong các kho dữ liệu. Các kỹ thuật kế toán pháp y cũng khá tiên tiến trong việc xác định các chỉ số được sử dụng làm đầu vào cho các mô hình học máy.
Rừng cô lập đã được áp dụng vào tập dữ liệu thẻ tín dụng Kaggle [2] và được chứng minh là có hiệu quả 99% trong việc phát hiện các giao dịch gian lận [3]. Giả sử rằng một cách tiếp cận chung đã được xác định là hoạt động, hầu hết các tổ chức phải đối mặt với các thách thức triển khai hoạt động ở quy mô lớn thay vì phải nghiên cứu & phát triển một giải pháp.
Dữ liệu Tổ chức Có sẵn làm Đầu vào ML
Các nguồn dữ liệu được sử dụng bởi các tổ chức tài chính như sau:
- Siêu dữ liệu khách hàng.
- Dấu thời gian và số tiền giao dịch.
- Lịch sử giao dịch của khách hàng.
- Vị trí địa lý của các giao dịch.
- Định luật Benford.
Phương pháp Tích hợp
Sau đây là tổng quan về quy trình mà chúng tôi sẽ thực hiện ở cấp độ cao để phân tích các luồng dữ liệu như vậy trong một tổ chức:
- Identify financial metrics from ERP systems that can be used as inputs.
- Huấn luyện một rừng cô lập trên một tập dữ liệu ban đầu và tiếp tục huấn luyện mô hình trong tương lai để đảm bảo nó phát hiện các mô hình giao dịch gian lận gần đây hơn.
- Gọi các API của Telemus AI™ để chạy Isolation Forest trên các giao dịch đến, API trả về một ước tính xác suất về khả năng xảy ra giao dịch gian lận dựa trên mô hình.
- Thiết lập quy trình làm việc và quy trình tùy chỉnh để cảnh báo đội ngũ chống gian lận cũng như khách hàng về các giao dịch có khả năng gian lận
Telemus AI™ có các mô hình học máy mạnh mẽ để đọc dữ liệu, do đó tổ chức của bạn có thể tập trung vào logic kinh doanh thay vì vào việc triển khai kỹ thuật.
Ứng dụng Tổ chức
Danh sách sau đây các ứng dụng tiềm năng khác cho tổ chức của bạn:
- Phát hiện các giao dịch gian lận.
- Phát hiện các yêu cầu bồi thường gian lận của nhân viên.
- Xác định các hành vi tổ chức bất thường thông qua các hệ thống theo dõi nguồn nhân lực.
Lợi ích tiềm năng và đã thực hiện
Given the vast magnitude of time and money financial fraud costs and the reputational damage and customer dissatisfaction it can cause, actively preventing fraud can save up to millions, even billions of dollars, depending on the scale of operation. Regulatory bodies are also continuously bringing out more stringent compliance guidelines. There is an expectation that financial institutions have processes, procedures, and systems to prevent and combat fraud. Regulatory technologies, or RegTech is an emerging field that has the potential to drive many innovations within the operations departments of many organisations moving forward into the future.
Telemus AI™ là một công ty trí tuệ nhân tạo có trụ sở tại Úc cung cấp các giải pháp tiên tiến cho chính phủ và doanh nghiệp. Hãy liên hệ với chúng tôi ngay hôm nay để được tư vấn miễn phí về cách Telemus AI™ có thể được tích hợp vào tổ chức của bạn.
Tài liệu tham khảo
[1] - Rừng Cô lập - Fei Tony Liu, Kai Ming Ting, và Zhi-Hua Zhou
[2] - Phát hiện Gian lận Thẻ Tín dụng - Kaggle
[3] - Học máy trong Phát hiện Gian lận Thẻ Tín dụng - S Joel Franklin
