211service.com
6 podstawowych zasad walki z oszustwami za pomocą uczenia maszynowego
Obraz nagłówka
Dostarczone przez SAS
Stu Bradley jest wiceprezesem SAS ds. wykrywania oszustw i bezpieczeństwa.
Słyszymy to cały czas: Zapobieganie oszustwom jest trudne, ponieważ oszuści nieustannie się zmieniają i dostosowują. W chwili, gdy dowiesz się, jak rozpoznać i zapobiec jednemu oszustwu, nowe pojawia się, aby zająć jego miejsce.
Oczywiście najlepszą technologią do zwalczania oszustw jest taka, która może się zmieniać i dostosowywać tak szybko, jak taktyka oszusta. To właśnie sprawia, że nauczanie maszynowe (ML) systemy idealne do zwalczania oszustw. Kiedy są optymalnie zaprojektowane, uczą się, dostosowują i odkrywają pojawiające się wzorce bez nadmiernej adaptacji, która może skutkować zbyt dużą liczbą fałszywych alarmów.
Tradycyjnie organizacje polegały na systemach opartych na regułach w celu wykrywania oszustw. Reguły wykorzystują logikę „jeśli-to”, która może być dokładna w wykrywaniu znanych wzorców oszustw. I chociaż reguły pozostają ważnym narzędziem do walki z oszustwami, zwłaszcza w połączeniu z zaawansowanymi podejściami, ograniczają się do rozpoznawania wzorców, które już znasz i które możesz zaprogramować w logice. Nie są one skuteczne w dostosowywaniu się do nowych wzorców oszustw, wykrywaniu nieznanych schematów lub identyfikowaniu coraz bardziej wyrafinowanych technik oszustw.
Dlatego coraz więcej branż wykorzystuje ML i sztuczną inteligencję do wykrywania oszustw. Najnowsze badania SAS i Association of Certified Fraud Examiners ustaliły, że zaledwie 13% organizacji w różnych branżach wykorzystuje te technologie do wykrywania oszustw i zapobiegania im. Kolejne 25% planuje włączyć je do swoich programów zwalczania nadużyć finansowych w ciągu najbliższych dwóch lat – prawie 200% skoku.
Nadzorowane lub nienadzorowane uczenie się w celu wykrywania oszustw
Jak to działa? Mówiąc najprościej, ML automatyzuje wyodrębnianie znanych i nieznanych wzorców z danych. Po rozpoznaniu tych wzorców może zastosować swoją wiedzę do nowych i niewidocznych danych. Maszyna uczy się i dostosowuje, gdy nowe wyniki i nowe wzorce są jej przedstawiane za pośrednictwem pętli sprzężenia zwrotnego.
W wykrywaniu oszustw nadzorowane modele ML próbują uczyć się na podstawie zidentyfikowanych rekordów w danych, często nazywanych danymi oznaczonymi. Aby wyszkolić model nadzorowany, przedstawiasz mu zarówno fałszywe, jak i nieoszukane rekordy, które zostały oznaczone jako takie.
Nienadzorowana ML jest inna. Gdy nie wiesz, jakie dane są fałszywe, prosisz model, aby sam nauczył się struktury danych. Po prostu przedstawiasz go z danymi, a model próbuje zrozumieć podstawową strukturę i wymiary tych danych.
Wykrywanie oszustw za pomocą ML: komponenty
Aby zastosować ML do wykrywania oszustw, będziesz potrzebować co najmniej następujących komponentów:
- Dane : Podobnie jak w przypadku wszystkich aplikacji ML, jakość danych jest podstawą budowania systemów ML chroniących przed oszustwami. Zbiory danych stają się coraz większe, a wraz ze wzrostem ich ilości rośnie wyzwanie polegające na wykrywaniu oszustw. Na szczęście powiedzenie, że więcej danych oznacza lepsze modele, jest prawdziwe, jeśli chodzi o wykrywanie oszustw. Czynnikiem decydującym jest posiadanie platformy ML, która może się skalować wraz ze wzrostem danych i złożoności.
- Wielość : Nie ma jednego algorytmu ani metody ML, która najlepiej sprawdza się w wykrywaniu oszustw. Sukces wynika z możliwości wypróbowania wielu różnych metod, testowania odmian i oceny ich za pomocą szeregu zestawów danych. Wymaga to zestawu narzędzi z różnymi metodami nadzorowanymi i nienadzorowanymi, a także szeregiem technik inżynierii funkcji. Stosowanie uczenia maszynowego na nowe i nowatorskie sposoby, takie jak łączenie różnych nadzorowanych i nienadzorowanych metod w jednym systemie, jest skuteczniejsze niż jakakolwiek pojedyncza metoda.
- Integracja : Wydaje się to oczywistym must-have, ale pozostaje powszechną przeszkodą na drodze do sukcesu w wielu organizacjach. Tylko 50% wszystkich opracowanych modeli trafia do produkcji, co powoduje wiele zmarnowanych nakładów. Po opracowaniu modelu ML wyzwaniem staje się wdrożenie go w operacyjnym środowisku wykonawczym. Jeśli Twoje dane znajdują się w Hadoop, sensowne jest, aby Twój model ML można było zastosować w Hadoop. Podobnie, jeśli Twoje dane są przesyłane strumieniowo w systemach czasu rzeczywistego, potrzebujesz silnika ML, który może działać w czasie rzeczywistym lub w strumieniu. Przenośność modelu i integracja logiki decyzyjnej w ramach systemów operacyjnych ma kluczowe znaczenie dla powstrzymania oszustw na dużą skalę – i ponieważ występują one na dużą skalę.
- Biały boks : Metody i modele ML są na ogół czarnymi skrzynkami. Często bardzo trudno (jeśli nie niemożliwe) jest wytłumaczenie decydentom, w jaki sposób model doszedł do wyniku lub doszedł do takiego wniosku. Jednak wyjaśnienie, co i jak w przypadku systemów ML ma kluczowe znaczenie, szczególnie w ściśle regulowanych branżach, takich jak usługi finansowe. Ten czynnik wyjaśniający jest często określany jako whiteboxing lub interpretowalność i ma kluczowe znaczenie dla wspierania procesów walidacji modeli i zarządzania.
- Monitorowanie na żywo : Ciągłe monitorowanie systemów wykrywania oszustw związanych z praniem pieniędzy jest niezbędne do osiągnięcia sukcesu. W miarę przesuwania się populacji i bazowych danych można oczekiwać, że dane wejściowe systemu ulegną pogorszeniu i wpłyną na ogólną wydajność. Nie dotyczy to wyłącznie systemów ML; systemy oparte na regułach mają to samo wyzwanie. Jednak nowsze metody ML mogą dostosowywać się do nowych i niezidentyfikowanych wzorców w miarę pojawiania się podstawowych zmian. Eliminuje to niektóre, ale nie wszystkie, etapy przekwalifikowania i oceny ML. Dobry program monitorujący rejestruje i śledzi bieżącą skuteczność wszystkich modeli.
- Eksperymentowanie : Udane programy ML zawierają element ciągłych eksperymentów. Nie wystarczy po prostu zbudować model ML i pozwolić mu się popsuć. Oszuści są sprytni, a technologia szybko się zmienia. Posiadanie piaskownicy, w której analitycy danych mogą swobodnie eksperymentować z różnymi metodami, danymi i technikami zwalczania oszustw, stało się kluczowym aspektem najlepszych programów do zwalczania oszustw. Inwestycje w zwiększenie zdolności analityków danych, którzy zwalczają oszustwa, mogą przynieść niemal natychmiastowy zwrot.
Wykrywanie równowagi i doświadczenie klienta
Identyfikowanie nikczemnych transakcji przy jednoczesnym zapewnieniu wysokiej jakości obsługi klienta jest delikatnym działaniem równoważącym. Organizacja, która często odrzuca legalne transakcje lub czyni swoje środki uwierzytelniające zbyt uciążliwe, może stracić klientów. Systemy ML są idealne do minimalizowania tego typu tarcia.
Na przykład jedna z globalnych instytucji finansowych współpracowała ostatnio z SAS w celu zmodernizowania swojego opartego na regułach systemu wykrywania oszustw i zapewnienia równowagi między nadzorem a obsługą klienta. W tym celu bank wdrożył rozwiązanie SAS oparte na ML, które wykorzystuje zestaw sieci neuronowych do tworzenia dwóch różnych ocen oszustw:
- Podstawowy wynik oszustwa, oceniający prawdopodobieństwo, że konto jest w stanie oszustwa.
- Wynik transakcyjny oceniający prawdopodobieństwo, że dana transakcja jest oszukańcza.
Stosując podejście oparte na dwóch wynikach, instytucja finansowa prawidłowo zidentyfikowała prawie 1 milion dolarów w miesięcznych transakcjach, które błędnie zidentyfikowano jako oszustwo. Był również w stanie znaleźć dodatkowe 1,5 miliona dolarów miesięcznie w oszustwach, które wcześniej nie zostały wykryte.
Łącząc to wszystko razem
Wykrywanie oszustw to trudny problem. Podczas gdy nieuczciwe transakcje stanowią bardzo mały ułamek aktywności w organizacji, niewielki procent aktywności może szybko przerodzić się w duże straty bez odpowiednich narzędzi i systemów. Dzięki postępom w ML systemy mogą uczyć się, dostosowywać i odkrywać pojawiające się wzorce zapobiegania oszustwom — dzięki czemu możesz nadążać za oszustami, nawet jeśli ewoluują i zmieniają taktykę.