211service.com
6 pamatinformācija cīņai pret krāpšanu, izmantojot mašīnmācīšanos
Galvenes attēls
Nodrošina SAS
Stju Bredlijs ir SAS krāpšanas un drošības izlūkošanas viceprezidents.
Mēs to visu laiku dzirdam: Krāpšanas novēršana ir grūti, jo krāpnieki nepārtraukti mainās un pielāgojas. Brīdī, kad izdomājat, kā atpazīt un novērst vienu krāpniecību, tā vietā parādās jauns.
Protams, labākā krāpšanas apkarošanas tehnoloģija ir tāda, kas var mainīties un pielāgoties tikpat ātri kā krāpnieka taktika. Tas ir tas, kas padara mašīnmācība (ML) sistēmas, kas lieliski piemērotas krāpšanas apkarošanai. Ja tie ir izstrādāti optimāli, tie mācās, pielāgojas un atklāj jaunus modeļus bez pārmērīgas pielāgošanās, kas var izraisīt pārāk daudz viltus pozitīvu rezultātu.
Tradicionāli organizācijas ir paļāvušās uz noteikumiem balstītām sistēmām, lai atklātu krāpšanu. Noteikumos tiek izmantota ja-tad loģika, kas var būt pamatīga, lai atklātu zināmos krāpšanas modeļus. Un, lai gan noteikumi joprojām ir svarīgs krāpšanas apkarošanas instruments, jo īpaši kombinācijā ar progresīvām pieejām, tie aprobežojas ar to modeļu atpazīšanu, kurus jūs jau zināt un varat ieprogrammēt loģikā. Tie nav efektīvi, lai pielāgotos jauniem krāpšanas modeļiem, atklātu nezināmas shēmas vai identificētu arvien sarežģītākas krāpšanas metodes.
Tāpēc arvien vairāk nozaru krāpšanas atklāšanai izmanto ML un mākslīgo intelektu. Jaunākie pētījumi SAS un Sertificēto krāpšanas pārbaudītāju asociācija atklāja, ka tikai 13% organizāciju visās nozarēs izmanto šīs tehnoloģijas, lai atklātu un novērstu krāpšanu. Vēl 25% plāno iekļaut tos savās krāpšanas apkarošanas programmās nākamo divu gadu laikā — gandrīz 200% pieaugums.
Uzraudzīta vai bez uzraudzības mācības krāpšanas atklāšanai
Tātad, kā tas darbojas? Vienkārši sakot, ML automatizē zināmu un nezināmu modeļu izņemšanu no datiem. Kad tas atpazīst šos modeļus, tas var piemērot to, ko tas zina, jauniem un neredzētiem datiem. Iekārta mācās un pielāgojas, kad tai tiek parādīti jauni rezultāti un jauni modeļi, izmantojot atgriezeniskās saites cilpu.
Krāpšanas atklāšanā uzraudzītie ML modeļi mēģina mācīties no identificētiem ierakstiem datos, ko bieži dēvē par marķētiem datiem. Lai apmācītu uzraudzītu modeli, jūs tam iesniedzat gan krāpnieciskus, gan nekrāpnieciskus ierakstus, kas ir apzīmēti kā tādi.
Nepārraudzīta ML ir atšķirīga. Ja nezināt, kuri dati ir krāpnieciski, jūs lūdzat modelim pašam apgūt datu struktūru. Jūs vienkārši iesniedzat to ar datiem, un modelis mēģina izprast šo datu pamatā esošo struktūru un dimensijas.
Krāpšanas atklāšana ar ML: komponenti
Lai krāpšanas atklāšanā izmantotu ML, jums būs nepieciešami vismaz šādi komponenti:
- Dati : Tāpat kā visās ML lietojumprogrammās, kvalitatīvi dati ir pamats krāpšanas apkarošanas ML sistēmu izveidei. Datu kopas tikai kļūst lielākas, un, pieaugot apjomiem, pieaug arī krāpšanas atklāšanas izaicinājums. Par laimi, sakāmvārds, ka vairāk datu nozīmē labākus modeļus, ir patiess attiecībā uz krāpšanas atklāšanu. Pārveidošanas vai pārtraukuma faktors ir ML platforma, kas var tikt mērogota, palielinoties datiem un sarežģītībai.
- Daudzveidība : nav neviena ML algoritma vai metodes, kas vislabāk darbotos krāpšanas atklāšanā. Panākumus nodrošina spēja izmēģināt daudz dažādu metožu, pārbaudot variācijas un novērtējot tās, izmantojot datu kopu masīvu. Tam nepieciešams rīku komplekts ar dažādām uzraudzītām un neuzraudzītām metodēm, kā arī virkne funkciju inženierijas paņēmienu. ML pielietošana jaunos un jaunos veidos, piemēram, dažādu uzraudzītu un neuzraudzītu metožu apvienošana vienā sistēmā, ir efektīvāka nekā jebkura atsevišķa metode atsevišķi.
- Integrācija : Šķiet, ka tas ir acīmredzami obligāts, taču daudzās organizācijās tas joprojām ir izplatīts šķērslis panākumiem. Tikai 50% no visiem izstrādātajiem modeļiem nonāk ražošanā, kā rezultātā ir jātērē daudz pūļu. Kad esat izstrādājis ML modeli, izaicinājums kļūst par tā izvietošanu operatīvā izpildlaika vidē. Ja jūsu dati ir Hadoop, ir loģiski, ka jūsu ML modeli var lietot Hadoop. Tāpat, ja jūsu dati tiek straumēti reāllaika sistēmās, vēlaties ML programmu, kas var darboties reāllaikā vai straumē. Modeļa pārnesamība un lēmumu pieņemšanas loģikas integrācija operētājsistēmās ir ļoti svarīga, lai apturētu krāpšanu plašā mērogā un tādā veidā, kā tā notiek.
- Baltais bokss : ML metodes un modeļi parasti ir melnās kastes. Bieži vien ir ļoti grūti (ja ne neiespējami) izskaidrot lēmumu pieņēmējiem, kā modelis nonāca pie rezultāta vai secinājuma. Taču ir ļoti svarīgi izskaidrot, kas un kā tiek izmantotas ML sistēmām, jo īpaši tādās stingri regulētās nozarēs kā finanšu pakalpojumi. Šis izskaidrojamības faktors bieži tiek saukts par balto rūtiņu vai interpretējamību, un tas ir ļoti svarīgs, lai atbalstītu modeļu validācijas un pārvaldības procesus.
- Pastāvīga uzraudzība : Lai gūtu panākumus, ML krāpšanas atklāšanas sistēmu pastāvīga uzraudzība ir obligāta. Kad populācijas un pamatā esošie dati mainās, sagaidiet, ka sistēmas ievade pasliktināsies un ietekmēs vispārējo veiktspēju. Tas nav unikāls ML sistēmām; uz noteikumiem balstītām sistēmām ir tāds pats izaicinājums. Taču jaunākās ML metodes var pielāgoties jauniem un neidentificētiem modeļiem, kad notiek pamatā esošās izmaiņas. Tādējādi tiek novērsti daži, bet ne visi, ML pārkvalifikācijas un novērtēšanas soļi. Laba uzraudzības programma reģistrē un izseko visu modeļu pastāvīgo efektivitāti.
- Eksperimentēšana : Veiksmīgām ML programmām ir nepārtrauktas eksperimentēšanas elements. Nepietiek tikai izveidot ML modeli un ļaut tam sabrukt. Krāpnieki ir gudri, un tehnoloģijas ātri mainās. Smilšu kaste, kurā datu zinātnieki var brīvi eksperimentēt ar dažādām metodēm, datiem un paņēmieniem, lai apkarotu krāpšanu, ir kļuvusi par svarīgāko krāpšanas apkarošanas programmu svarīgu aspektu. Ieguldījumi to datu zinātnieku kapacitātes palielināšanā, kuri cīnās ar krāpšanu, var gandrīz nekavējoties atmaksāties.
Atklāšanas un klientu pieredzes līdzsvarošana
Ļaunprātīgu darījumu identificēšana, vienlaikus nodrošinot kvalitatīvu klientu apkalpošanu, ir delikāts līdzsvarošanas pasākums. Organizācija, kas bieži noraida likumīgus darījumus vai padara savus autentifikācijas pasākumus pārāk apgrūtinošus, var zaudēt klientus. ML sistēmas ir ideāli piemērotas šāda veida berzes samazināšanai.
Piemēram, viena globāla finanšu iestāde nesen sadarbojās ar SAS, lai modernizētu uz noteikumiem balstītu krāpšanas atklāšanas sistēmu un palīdzētu panākt līdzsvaru starp pārraudzību un klientu apkalpošanu. Lai to izdarītu, banka ieviesa uz ML balstītu SAS risinājumu, kas izmanto neironu tīklu kopumu, lai izveidotu divus dažādus krāpšanas rādītājus:
- Primārais krāpšanas rādītājs, kas novērtē iespēju, ka konts ir krāpnieciskā stāvoklī.
- Darījuma rezultāts, kas novērtē iespējamību, ka atsevišķs darījums ir krāpniecisks.
Izmantojot šo divu punktu pieeju, finanšu iestāde pareizi identificēja gandrīz 1 miljonu ASV dolāru ikmēneša darījumos, kas kļūdaini tika identificēti kā krāpšana. Tā arī varēja atrast papildu 1,5 miljonus USD mēnesī krāpniecībā, kas iepriekš nebija atklāta.
Saliekot to visu kopā
Krāpšanas atklāšana ir sarežģīta problēma. Lai gan krāpnieciski darījumi veido ļoti nelielu daļu no darbības organizācijā, neliela daļa darbību var ātri pārvērsties par lieliem dolāru zaudējumiem, ja nav ieviesti pareizi rīki un sistēmas. Pateicoties ML sasniegumiem, sistēmas var mācīties, pielāgoties un atklāt jaunus modeļus krāpšanas novēršanai, lai jūs varētu sekot līdzi krāpniekiem pat tad, kad tie attīstās un maina taktiku.