211service.com
6 pagrindiniai dalykai kovojant su sukčiavimu naudojant mašininį mokymąsi
Antraštės vaizdas
Pateikė SAS
Stu Bradley yra SAS sukčiavimo ir saugumo žvalgybos viceprezidentas.
Visą laiką girdime: Sukčiavimo prevencija sunku, nes sukčiai nuolat keičiasi ir prisitaiko. Tą minutę, kai sugalvojate, kaip atpažinti vieną sukčiavimą ir užkirsti jam kelią, vietoj jo atsiranda naujas.
Natūralu, kad geriausia kovos su sukčiavimu technologija yra ta, kuri gali keistis ir prisitaikyti taip pat greitai, kaip ir sukčiaus taktika. Būtent tai daro mašininis mokymasis (ML) sistemos puikiai tinka kovai su sukčiavimu. Kai jie sukurti optimaliai, jie mokosi, prisitaiko ir atskleidžia atsirandančius modelius be per didelio prisitaikymo, dėl kurio gali būti per daug klaidingų teigiamų rezultatų.
Tradiciškai organizacijos, siekdamos aptikti sukčiavimą, naudojosi taisyklėmis pagrįstomis sistemomis. Taisyklėse naudojama „jei-tada“ logika, kuri gali būti nuodugni atskleidžiant žinomus sukčiavimo modelius. Ir nors taisyklės išlieka svarbia kovos su sukčiavimu priemone, ypač kartu su pažangiais metodais, jos apsiriboja atpažinti modelius, kuriuos jau žinote ir kuriuos galite programuoti į logiką. Jie nėra veiksmingi prisitaikant prie naujų sukčiavimo modelių, atskleidžiant nežinomas schemas ar nustatant vis sudėtingesnius sukčiavimo būdus.
Štai kodėl vis daugiau pramonės šakų naudoja ML ir dirbtinį intelektą, kad nustatytų sukčiavimą. Naujausi tyrimai SAS ir Sertifikuotų sukčiavimo tyrėjų asociacija nustatė, kad tik 13 % organizacijų įvairiose pramonės šakose naudojasi šiomis technologijomis, kad aptiktų ir atgrasytų sukčiavimą. Kiti 25 % planuoja įtraukti juos į savo kovos su sukčiavimu programas per ateinančius dvejus metus – tai beveik 200 % šuolis.
Prižiūrimas arba neprižiūrimas mokymas sukčiavimo aptikimui
Taigi, kaip tai veikia? Paprasčiau tariant, ML automatizuoja žinomų ir nežinomų modelių ištraukimą iš duomenų. Kai jis atpažįsta tuos modelius, jis gali pritaikyti tai, ką žino, naujiems ir nematomiems duomenims. Mašina mokosi ir prisitaiko, kai per grįžtamojo ryšio kilpą jai pateikiami nauji rezultatai ir nauji modeliai.
Aptikdami sukčiavimą, prižiūrimi ML modeliai bando mokytis iš identifikuotų duomenų įrašų, dažnai vadinamų pažymėtais duomenimis. Norėdami išmokyti prižiūrimą modelį, pateikiate jam ir apgaulingus, ir nesąžiningus įrašus, kurie buvo pažymėti kaip tokie.
Neprižiūrimas ML yra kitoks. Kai nežinote, kokie duomenys yra apgaulingi, prašote modelio pačiam išmokti duomenų struktūrą. Jūs tiesiog pateikiate jį su duomenimis, o modelis bando suprasti pagrindinę tų duomenų struktūrą ir matmenis.
Sukčiavimo naudojant ML aptikimas: komponentai
Norėdami taikyti ML sukčiavimo aptikimui, jums reikės bent šių komponentų:
- Duomenys : Kaip ir visose ML programose, kokybiški duomenys yra pagrindas kuriant kovos su sukčiavimu ML sistemas. Duomenų rinkiniai tik didėja, o didėjant jų kiekiui, didėja ir sukčiavimo aptikimo iššūkis. Laimei, posakis, kad daugiau duomenų reiškia geresnius modelius, yra teisingas, kai kalbama apie sukčiavimo aptikimą. „Make-or-break“ veiksnys yra ML platforma, kurios mastelis gali padidėti duomenims ir sudėtingumui.
- Daugybė : nėra vieno ML algoritmo ar metodo, kuris geriausiai tiktų aptikti sukčiavimą. Sėkmę lemia galimybė išbandyti daugybę skirtingų metodų, išbandyti variantus ir įvertinti juos naudojant daugybę duomenų rinkinių. Tam reikalingas įrankių rinkinys su įvairiais prižiūrimais ir neprižiūrimais metodais, taip pat daugybė funkcijų inžinerijos metodų. ML taikymas naujais ir naujais būdais, pavyzdžiui, įvairių prižiūrimų ir neprižiūrimų metodų derinimas vienoje sistemoje, yra veiksmingesnis nei bet kuris atskiras metodas.
- Integracija : Atrodo, kad tai būtina, tačiau daugelyje organizacijų tai išlieka įprasta kliūtis į sėkmę. Tik 50 % visų sukurtų modelių kada nors patenka į gamybą, todėl sugaištama daug pastangų. Sukūrus ML modelį, iššūkis tampa jo diegimas veikiančioje vykdymo aplinkoje. Jei jūsų duomenys yra „Hadoop“, prasminga, kad jūsų ML modelis gali būti pritaikytas „Hadoop“. Panašiai, jei jūsų duomenys srautu perduodami realiojo laiko sistemose, jums reikia ML variklio, kuris galėtų veikti realiuoju laiku arba srautu. Modelio perkeliamumas ir sprendimų logikos integravimas į operacines sistemas yra labai svarbūs norint sustabdyti sukčiavimą mastu ir kaip jis vyksta mastu.
- Baltasis boksas : ML metodai ir modeliai paprastai yra juodosios dėžės. Dažnai labai sunku (jei neįmanoma) paaiškinti sprendimus priimantiems asmenims, kaip modelis priėjo prie balų ar išvadų. Tačiau labai svarbu paaiškinti, ką ir kaip naudoti ML sistemas, ypač tokiose labai reguliuojamose pramonės šakose kaip finansinės paslaugos. Šis paaiškinamumo veiksnys dažnai vadinamas baltuoju langeliu arba aiškinamumu ir yra labai svarbus palaikant modelio patvirtinimo ir valdymo procesus.
- Nuolatinis stebėjimas : Siekiant sėkmės, būtina nuolat stebėti ML sukčiavimo aptikimo sistemas. Keičiantis populiacijoms ir pagrindiniams duomenims, tikimasi, kad sistemos įvestis pablogės ir paveiks bendrą našumą. Tai nėra būdinga tik ML sistemoms; taisyklėmis pagrįstos sistemos susiduria su tuo pačiu iššūkiu. Tačiau naujesni ML metodai gali prisitaikyti prie naujų ir nenustatytų modelių, kai atsiranda pagrindinių pokyčių. Tai pašalina kai kuriuos, bet ne visus, ML perkvalifikavimo ir vertinimo veiksmus. Gera stebėjimo programa registruoja ir seka nuolatinį visų modelių efektyvumą.
- Eksperimentavimas : sėkmingos ML programos turi nuolatinio eksperimentavimo elementą. Neužtenka tik sukurti ML modelį ir leisti jam sugriūti. Sukčiai yra sumanūs, o technologijos greitai keičiasi. Smėlio dėžė, kurioje duomenų mokslininkai gali laisvai eksperimentuoti su įvairiais kovos su sukčiavimu metodais, duomenimis ir metodais, tapo svarbiausiu geriausių kovos su sukčiavimu programų aspektu. Investicijos į duomenų mokslininkų, kovojančių su sukčiavimu, pajėgumų didinimą gali beveik iš karto atsipirkti.
Subalansuoti aptikimą ir klientų patirtį
Nedorų sandorių nustatymas teikiant kokybišką klientų aptarnavimą yra subtilus balansavimo veiksmas. Organizacija, kuri dažnai atmeta teisėtus sandorius arba per daug apsunkina autentifikavimo priemones, gali prarasti klientus. ML sistemos idealiai tinka tokio tipo trinčiai sumažinti.
Pavyzdžiui, viena pasaulinė finansų institucija neseniai bendradarbiavo su SAS, siekdama modernizuoti taisyklėmis pagrįstą sukčiavimo aptikimo sistemą ir padėti išlaikyti pusiausvyrą tarp priežiūros ir klientų aptarnavimo. Norėdami tai padaryti, bankas įdiegė SAS ML pagrįstą sprendimą, kuris naudoja neuroninių tinklų ansamblį, kad sukurtų du skirtingus sukčiavimo balus:
- Pagrindinis sukčiavimo balas, įvertinantis tikimybę, kad paskyra yra apgaulingos būklės.
- Sandorio balas, įvertinantis tikimybę, kad atskiras sandoris yra nesąžiningas.
Naudodama šį dviejų balų metodą, finansų įstaiga teisingai nustatė beveik 1 mln. Taip pat pavyko rasti papildomų 1,5 mln. USD per mėnesį dėl sukčiavimo, kuris anksčiau nebuvo aptiktas.
Viską sujungus
Sukčiavimo aptikimas yra sudėtinga problema. Nors nesąžiningi sandoriai sudaro labai mažą organizacijos veiklos dalį, nedidelė veiklos dalis gali greitai virsti dideliais dolerių nuostoliais, jei nėra tinkamų įrankių ir sistemų. Dėl ML pažangos sistemos gali mokytis, prisitaikyti ir atskleisti naujus sukčiavimo prevencijos modelius, kad galėtumėte neatsilikti nuo sukčių, net kai jie vystosi ir keičia taktiką.