機器學習 - 使用孤立森林檢測欺詐交易

在日益互聯的數碼世界中，每天透過各種系統進行數十億筆交易，從傳統商店內的銷售點終端到在線支付網關。這些系統提供了巨大的機遇，並推動了具有獨特商業模式的新型創新企業。儘管帶來了顯著的益處，但日益複雜的網絡犯罪也急劇增加。

最常見的網路犯罪形式之一是信用卡詐欺，在全球金融機構中造成了數十億美元的損失。考量到每天發生的交易數量，金融機構要對抗網路犯罪分子是一項挑戰；機器學習的最新進展催生了識別和偵測詐欺交易的新方法。準確的詐欺識別允許自動化的緩解策略，例如在交易進行之前警示客戶並要求進一步確認。

本案例研究探討了一種以機器學習為導向的信用卡欺詐識別方法。機器學習已在許多不同環境中被證明有效，並且在處理大量數據時亦具效率，這對於實作銀行系統的軟件工程師而言是一項重要考量。

透過人工智慧解決問題

偵測異常情況傳統上一直是統計學領域內的問題。傳統方法假設資料集符合常態分佈。因此，透過觀察哪些資料點顯著偏離常態來偵測異常值。此方法的缺點在於，如果資料集不符合常態分佈，該技術的有效性將受到限制。

機器學習異常檢測隔離異常點

後來嘗試了利用最近算法進展的機器學習方法，這些方法被證明非常有效、可擴展，並克服了上述統計方法的局限性。儘管在金融行業之外尚未被廣泛採用，但其中許多方法目前已在銀行業中投入生產。

2008 年在 [1] 中開發了一種新穎的方法，該方法利用了離群值的一個獨特性質，即離群值通常相對於大多數資料點是孤立的。鑑於此性質，可以圍繞資料點產生隨機分割來包圍一個資料點，隔離一個資料點所需的分割越少，該資料點是離群值的可能性就越大。所開發的演算法具有線性時間複雜度，並且被證明即使在可用訓練資料有限的情況下也能良好運作；這與需要大量訓練資料的典型方法形成對比。

信用卡欺詐動畫

組織挑戰概述

考慮到每天發生數十億筆交易，即時偵測詐欺異常值並執行模型是一項挑戰。視覺檢查顯示，在草堆中找一根針就像找一根針一樣。以下影像說明了隨時間變化的銀行交易，合法的為綠色，詐欺的為紅色。隔離詐欺交易具有挑戰性。金融機構必須嘗試打擊詐欺以遵守法規。這也是客戶的期望。通常，當發生詐欺時，金融機構會承擔成本以維持客戶滿意度。

信用卡交易散佈圖

信用卡交易氣泡圖

組織越來越傾向於將機器學習方法作為其數位轉型旅程的一部分，以解決需要規模化的問題，例如詐欺偵測。許多用於偵測詐欺的標記通常儲存在資料倉儲中。鑑識會計技術在確定用作機器學習模型輸入的指標方面也相當先進。

孤立森林已應用於 Kaggle 信用卡資料集 [2]，並證實在偵測欺詐交易方面具有 99% 的有效性 [3]。鑑於已確定一種可行的一般性方法，大多數機構面臨的是大規模實施的挑戰，而非需要進行研究 & 開發解決方案。

可作為 ML 輸入的組織資料

金融機構使用的資料來源如下：

客戶元資料。
交易時間戳記與金額。
客戶的交易歷史記錄。
交易的地理位置。
班佛法則。

整合方法論

以下是我們在組織內分析此類資料來源時，在高層級執行的流程概覽：

識別 ERP 系統中可用作輸入的財務指標。
在初始資料集上訓練孤立森林，並在未來持續訓練模型，以確保其能偵測到較近期的詐欺交易模式。
透過呼叫Telemus AI™ API對傳入的交易執行孤立森林算法，API會根據模型返回欺詐交易可能性的概率估計。
設置自訂的工作流程和流程，以就可能存在欺詐的交易向欺詐團隊以及客戶發出警報

Telemus AI™ 具備強大的機器學習模型，讓您的組織能專注於業務邏輯，而非技術實作。

組織應用

以下列出貴機構的其他潛在應用：

偵測詐欺性交易。
偵測詐欺性的員工申請。
透過人力資源追蹤系統判定異常的組織行為。

潛在與已實現的效益

鑑於金融詐欺在時間與金錢上造成的龐大損失，以及其可能導致的聲譽受損與客戶不滿，積極防範詐欺可節省高達數百萬甚至數十億美元，具體取決於營運規模。監管機構亦持續推出更嚴格的合規指引。外界期望金融機構應具備適當的流程、程序與系統來防範及打擊詐欺。監管科技，或稱 RegTech，是一個新興領域，在未來有望推動許多組織營運部門的眾多創新。

Telemus AI™ 是一家總部位於澳洲的人工智能公司，為政府及企業提供先進的解決方案。立即聯絡我們，免費諮詢 Telemus AI™ 如何整合至您的機構。