机器学习 - 使用孤立森林检测欺诈交易

在日益互联的数字世界中，每天通过各种系统发生数十亿笔交易，从传统商店内的销售点终端到在线支付网关。这些系统提供了巨大的机遇，并帮助推动了具有独特商业模式的新型创新企业。尽管带来了显著的好处，但日益复杂的网络犯罪也急剧增加。

信用卡欺诈是最常见的网络犯罪形式之一，在全球金融领域造成了数十亿美元的损失。鉴于每天发生的交易数量庞大，金融机构很难打击网络犯罪分子；机器学习的最新进展催生了识别和检测欺诈交易的新方法。准确的欺诈识别允许采取自动化的缓解策略，例如在交易继续之前提醒客户并要求进一步确认。

本案例研究探讨了一种面向机器学习的信用卡欺诈识别方法。机器学习已被证明在许多不同场景下均行之有效，并且在处理大量数据时也具有高效性，这是实施银行系统的软件工程师必须考虑的关键因素。

通过人工智能解决问题

检测异常传统上一直是统计学领域内的问题。传统方法假设数据集符合正态分布。因此，通过观察哪些数据点显著偏离常态来检测异常值。这种方法的缺点是，如果数据集不呈正态分布，该技术的有效性就会受到限制。

机器学习异常检测隔离异常点

后来尝试了利用最新算法进展的机器学习方法，这些方法被证明非常有效、可扩展，并且克服了上述统计方法的局限性。尽管在金融行业之外尚未被广泛采用，但其中许多方法目前已在银行业投入生产。

2008年，文献[1]通过利用异常值的一个独特性质开发了一种新方法，即异常值通常相对于大多数数据点是孤立的。鉴于这一性质，可以围绕数据点生成随机分区来包围一个数据点，隔离一个数据点所需的分区越少，该数据点为异常值的可能性就越大。所开发的算法具有线性时间复杂度，并且被证明即使在训练数据有限的情况下也能很好地工作；这与需要大量训练数据的典型方法形成了对比。

信用卡欺诈动画

组织挑战概述

考虑到每天发生数十亿笔交易，实时检测欺诈异常值并运行模型是一项挑战。直观检查表明，大海捞针就像找一根针一样困难。以下图像展示了随时间变化的银行交易，合法交易为绿色，欺诈交易为红色。隔离欺诈交易极具挑战性。金融机构必须努力打击欺诈行为以遵守法规。这也是客户的期望。通常，当发生欺诈时，金融机构会承担成本以维持客户满意度。

信用卡交易散点图

信用卡交易打包气泡图

组织越来越多地转向机器学习方法，作为其数字化转型之旅的一部分，以解决需要规模化的问题，如欺诈检测。许多用于检测欺诈的标记通常存储在数据仓库中。法务会计技术在确定用作机器学习模型输入的指标方面也相当先进。

孤立森林已应用于Kaggle信用卡数据集[2]，并被证明在检测欺诈交易方面具有99%的有效性[3]。鉴于已经确定了一种可行的一般方法，大多数组织面临的是大规模实施方面的挑战，而不是需要进行研究 & 开发解决方案。

可作为 ML 输入的组织数据

金融机构使用的数据源如下：

客户元数据。
交易时间戳和金额。
客户的交易历史。
交易的地理位置。
本福特定律。

集成方法论

以下是我们在组织内分析此类信息流的高层级流程概述：

识别 ERP 系统中可用作输入的财务指标。
在初始数据集上训练孤立森林，并在未来继续训练模型，以确保其检测到最新的欺诈交易模式。
调用Telemus AI™ API对传入的交易运行孤立森林算法，API会根据模型返回欺诈交易可能性的概率估计。
设置自定义工作流程和流程，以就潜在欺诈交易向欺诈团队及客户发出警报

Telemus AI™ 拥有强大的机器学习模型可供读取，因此您的组织可以专注于业务逻辑，而非技术实现。

组织应用

以下列出了贵组织的其他潜在应用：

检测欺诈性交易。
检测欺诈性员工索赔。
通过人力资源跟踪系统确定异常的组织行为。

潜在和已实现的收益

鉴于金融欺诈在时间和金钱方面造成的巨大损失，以及它可能引起的声誉损害和客户不满，积极预防欺诈可以节省数百万甚至数十亿美元，具体取决于运营规模。监管机构也在不断出台更严格的合规准则。人们期望金融机构拥有预防并打击欺诈的流程、程序和系统。监管技术，即 RegTech，是一个新兴领域，有望在未来推动许多组织运营部门的众多创新。

Telemus AI™ 是一家总部位于澳大利亚的人工智能公司，为政府和企业提供先进的解决方案。立即联系我们，获取有关如何将 Telemus AI™ 集成到您组织中的免费咨询。