مع زيادة عدد الشركات من وجودها على الإنترنت لخدمة عملائها بشكل أفضل ، تظهر أنماط احتيال جديدة باستمرار. في المشهد الرقمي المتطور باستمرار ، حيث أصبح المحتالون أكثر تعقيدًا في تكتيكاتهم ، أصبح اكتشاف مثل هذه الأنشطة الاحتيالية ومنعها أمرًا بالغ الأهمية بالنسبة للشركات والمؤسسات المالية.
يتم تقييد أنظمة الكشف عن الاحتيال القائمة على القواعد التقليدية في قدرتها على التكرار السريع لأنها تعتمد على قواعد وعتبات محددة مسبقًا للإبلاغ عن أي نشاط احتيالي محتمل. يمكن أن تولد هذه الأنظمة عددًا كبيرًا من الإيجابيات الخاطئة ، مما يزيد بشكل كبير من حجم التحقيقات اليدوية التي يقوم بها فريق الاحتيال. علاوة على ذلك ، فإن البشر أيضًا معرضون للخطأ ولديهم قدرة محدودة على معالجة كميات كبيرة من البيانات ، مما يجعل الجهود اليدوية للكشف عن الاحتيال تستغرق وقتًا طويلاً ، مما قد يؤدي إلى فقدان المعاملات الاحتيالية وزيادة الخسائر وإلحاق الضرر بالسمعة.
يلعب التعلم الآلي (ML) دورًا مهمًا في اكتشاف الاحتيال لأنه يمكنه تحليل كميات كبيرة من البيانات بسرعة وبدقة لتحديد الأنماط الشاذة واتجاهات الاحتيال المحتملة. يعتمد أداء نموذج الاحتيال في ML بشكل كبير على جودة البيانات التي يتم التدريب عليها ، وعلى وجه التحديد بالنسبة للنماذج الخاضعة للإشراف ، تعد البيانات ذات العلامات الدقيقة أمرًا بالغ الأهمية. في ML ، يسمى نقص البيانات التاريخية الهامة لتدريب نموذج مشكلة البداية الباردة.
في عالم اكتشاف الاحتيال ، فيما يلي بعض سيناريوهات البداية الباردة التقليدية:
- بناء نموذج احتيال دقيق مع عدم وجود سجل للمعاملات أو حالات الاحتيال
- القدرة على التمييز بدقة بين النشاط المشروع والاحتيال للعملاء والحسابات الجديدة
- مدفوعات قرار المخاطرة إلى عنوان أو مستفيد لم يسبق لنظام الاحتيال رؤيته من قبل
هناك طرق متعددة لحل هذه السيناريوهات. على سبيل المثال ، يمكنك استخدام النماذج العامة ، والمعروفة باسم نماذج مقاس واحد يناسب الجميع ، والتي يتم تدريبها عادةً على أعلى منصات مشاركة بيانات الاحتيال مثل اتحادات الاحتيال. التحدي في هذا النهج هو أنه لا يوجد عمل متساوٍ ، وأن نواقل هجوم الاحتيال تتغير باستمرار.
هناك خيار آخر وهو استخدام نموذج اكتشاف الشذوذ غير الخاضع للإشراف لمراقبة السلوك غير المعتاد وإظهاره بين أحداث العملاء. يتمثل التحدي في هذا النهج في أنه ليست كل أحداث الاحتيال عبارة عن حالات شاذة ، وليست كل الحالات الشاذة احتيالًا بالفعل. لذلك ، يمكنك توقع ارتفاع معدلات إيجابية كاذبة.
في هذا المنشور ، نوضح كيف يمكنك تشغيل نموذج ML لمنع الاحتيال في الوقت الفعلي بسرعة باستخدام 100 حدث باستخدام كاشف احتيال الأمازون ميزة جديدة، بداية باردة، مما يقلل بشكل كبير من حاجز الدخول إلى نماذج تعلم الآلة المخصصة للعديد من المؤسسات التي ليس لديها الوقت أو القدرة على جمع مجموعات البيانات الكبيرة وتسميتها بدقة. علاوة على ذلك ، نناقش كيف باستخدام أحداث Amazon Fraud Detector المخزنة ، يمكنك مراجعة النتائج وتسمية الأحداث بشكل صحيح لإعادة تدريب النماذج الخاصة بك ، وبالتالي تحسين فعالية تدابير منع الاحتيال بمرور الوقت.
حل نظرة عامة
Amazon Fraud Detector هي خدمة مُدارة بالكامل للكشف عن الاحتيال تعمل تلقائيًا على اكتشاف الأنشطة الاحتيالية المحتملة عبر الإنترنت. يمكنك استخدام Amazon Fraud Detector لإنشاء نماذج مخصصة للكشف عن الاحتيال باستخدام مجموعة البيانات التاريخية الخاصة بك ، وإضافة منطق القرار باستخدام محرك القواعد المدمج ، وتنسيق سير عمل قرارات المخاطر بنقرة زر واحدة.
في السابق ، كان عليك تقديم أكثر من 10,000 حدث معنون بما لا يقل عن 400 مثال للاحتيال لتدريب نموذج. مع إصدار ميزة Cold Start ، يمكنك تدريب نموذج بسرعة بحد أدنى 100 حدث و 50 حدثًا على الأقل مصنفة على أنها احتيال. مقارنة بمتطلبات البيانات الأولية ، يمثل هذا انخفاضًا بنسبة 99٪ في البيانات التاريخية وخفضًا بنسبة 87٪ في متطلبات التسمية.
توفر ميزة Cold Start الجديدة طرقًا ذكية لإثراء مجموعات صغيرة من البيانات وتوسيعها ونمذجة المخاطر. علاوة على ذلك ، ينفذ Amazon Fraud Detector تعيينات الملصقات وأخذ العينات للأحداث غير المسماة.
تُظهر التجارب التي تم إجراؤها باستخدام مجموعات البيانات العامة أنه من خلال خفض الحدود إلى 50 عملية احتيال و 100 حدث فقط ، يمكنك إنشاء نماذج احتيال ML التي تتفوق باستمرار على النماذج غير الخاضعة للإشراف وشبه الإشراف.
أداء نموذج البداية الباردة
تتأثر قدرة نموذج ML على التعميم وإجراء تنبؤات دقيقة بشأن البيانات غير المرئية بجودة وتنوع مجموعة بيانات التدريب. بالنسبة لنماذج Cold Start ، هذا لا يختلف. يجب أن يكون لديك عمليات في مكانها حيث يتم جمع المزيد من البيانات لتسمية هذه الأحداث بشكل صحيح وإعادة تدريب النماذج ، مما يؤدي في النهاية إلى الأداء الأمثل للنموذج.
مع انخفاض متطلبات البيانات ، يزيد عدم استقرار الأداء المبلغ عنه بسبب التباين المتزايد في النموذج وحجم بيانات الاختبار المحدود. لمساعدتك في بناء التوقع الصحيح لأداء النموذج ، بالإضافة إلى نموذج AUC ، يُبلغ Amazon Fraud Detector أيضًا عن مقاييس نطاق عدم اليقين. يحدد الجدول التالي هذه المقاييس.
. | . | AUC | ||
. | . | <0.6 | ٢٠٢٤/٢٠٢٣ | > = 0.8 |
الفاصل الزمني لعدم اليقين AUC | > 0.3 | أداء النموذج منخفض جدًا وقد يختلف اختلافًا كبيرًا. توقع أداء منخفض للكشف عن الاحتيال. | أداء النموذج منخفض وقد يختلف بشكل كبير. توقع أداء محدود للكشف عن الاحتيال. | قد يختلف أداء النموذج بشكل كبير. |
٢٠٢٤/٢٠٢٣ | أداء النموذج منخفض جدًا وقد يختلف بشكل كبير. توقع أداء منخفض للكشف عن الاحتيال. | أداء النموذج منخفض وقد يختلف بشكل كبير. توقع أداء محدود للكشف عن الاحتيال. | قد يختلف أداء النموذج بشكل كبير. | |
<0.1 | أداء النموذج منخفض للغاية. توقع أداء منخفض للكشف عن الاحتيال. | أداء النموذج منخفض. توقع أداء محدود للكشف عن الاحتيال. | لا تحذير |
تدريب نموذج البداية الباردة
التدريب على نموذج احتيال البداية الباردة مماثل لتدريب أي نموذج آخر للكشف عن الاحتيال من أمازون ؛ ما يختلف هو حجم مجموعة البيانات. يمكنك العثور على مجموعات بيانات نموذجية لتدريب Cold Start في موقعنا GitHub الريبو. لتدريب نموذج مخصص من Amazon Fraud Detector ، يمكنك اتباع التدريب العملي لدينا البرنامج التعليمي. يمكنك إما استخدام ملف البرنامج التعليمي لوحدة تحكم Amazon Fraud Detector أو ال البرنامج التعليمي SDK لبناء نموذج للكشف عن الاحتيال وتدريبه ونشره.
بعد تدريب نموذجك ، يمكنك مراجعة مقاييس الأداء ثم نشرها عن طريق تغيير حالتها إلى النشطه. لمعرفة المزيد حول درجات النموذج ومقاييس الأداء ، راجع عشرات النموذج و مقاييس أداء النموذج. في هذه المرحلة ، يمكنك الآن إضافة النموذج الخاص بك إلى كاشفك ، إضافة قواعد العمل لتفسير درجات المخاطر التي ينتجها النموذج ، وإجراء تنبؤات في الوقت الفعلي باستخدام GetEventPrediction API.
نموذج الاحتيال ML التحسين المستمر وحلقة التغذية الراجعة
باستخدام ميزة البداية الباردة من Amazon Fraud Detector ، يمكنك تشغيل نقطة نهاية للكشف عن الاحتيال بسرعة والبدء في حماية أعمالك على الفور. ومع ذلك ، تظهر أنماط احتيال جديدة باستمرار ، لذلك من الضروري إعادة تدريب نماذج Cold Start ببيانات أحدث لتحسين دقة وفعالية التنبؤات بمرور الوقت.
لمساعدتك في تكرار النماذج الخاصة بك ، يقوم Amazon Fraud Detector تلقائيًا بتخزين جميع الأحداث المرسلة إلى الخدمة للاستدلال. يمكنك تغيير أو التحقق من تشغيل علامة عرض الحدث على مستوى نوع الحدث ، كما هو موضح في لقطة الشاشة التالية.
باستخدام ميزة الأحداث المخزنة ، يمكنك استخدام Amazon Fraud Detector SDK للوصول إلى حدث برمجيًا ، ومراجعة البيانات الوصفية للحدث وشرح التنبؤ ، واتخاذ قرار مستنير بشأن المخاطر. علاوة على ذلك ، يمكنك تسمية الحدث لإعادة تدريب النموذج في المستقبل والتحسين المستمر للنموذج. يعرض الرسم التخطيطي التالي مثالا على سير العمل هذا.
في مقتطفات الشفرة التالية ، نوضح عملية تسمية حدث مخزّن:
- للقيام بالتنبؤ بالاحتيال في الوقت الفعلي لحدث ما ، اتصل بواجهة برمجة تطبيقات GetEventPrediction:
كما هو موضح في الرد ، بناءً على قاعدة محرك القرار المطابقة ، يجب إرسال الحدث للمراجعة اليدوية من قبل فريق الاحتيال. من خلال جمع البيانات الوصفية لتفسير التنبؤ ، يمكنك الحصول على رؤى حول كيفية تأثير كل متغير حدث على درجة توقع الاحتيال الخاصة بالنموذج.
- لجمع هذه الأفكار ، نستخدم
get_event_prediction_metada
API:
استجابة API:
باستخدام هذه الرؤى ، يمكن لمحلل الاحتيال اتخاذ قرار مستنير بشأن المخاطر بشأن الحدث المعني وتحديث تسمية الحدث.
- لتحديث تسمية الحدث ، اتصل بـ
update_event_label
API:
استجابة API
كخطوة أخيرة ، يمكنك التحقق مما إذا تم تحديث تسمية الحدث بشكل صحيح.
- للتحقق من تسمية الحدث ، اتصل بـ
get_event
API:
استجابة API
تنظيف
لتجنب تكبد رسوم في المستقبل ، احذف الموارد التي تم إنشاؤها للحل.
وفي الختام
أوضح هذا المنشور كيف يمكنك تشغيل نظام منع الاحتيال في الوقت الفعلي بسرعة مع عدد قليل من الأحداث يصل إلى 100 حدث باستخدام ميزة Cold Start الجديدة من Amazon Fraud Detector. ناقشنا كيف يمكنك استخدام الأحداث المخزنة لمراجعة النتائج وتسمية الأحداث بشكل صحيح وإعادة تدريب النماذج الخاصة بك ، وتحسين فعالية تدابير منع الاحتيال بمرور الوقت.
تساعد خدمات AWS المُدارة بالكامل مثل Amazon Fraud Detector في تقليل الوقت الذي تقضيه الشركات في تحليل سلوك المستخدم لتحديد الاحتيال في منصاتها والتركيز بشكل أكبر على زيادة قيمة الأعمال. لمعرفة المزيد حول كيفية مساعدة Amazon Fraud Detector في عملك ، تفضل بزيارة كاشف الاحتيال في أمازون.
حول المؤلف
مارسيل بيفيدال هو مهندس عالمي لحلول خدمات الذكاء الاصطناعي في المنظمة المتخصصة العالمية. يتمتع مارسيل بأكثر من 20 عامًا من الخبرة في حل مشكلات الأعمال من خلال التكنولوجيا لشركات التكنولوجيا المالية ومقدمي خدمات الدفع والأدوية والوكالات الحكومية. مجالات تركيزه الحالية هي إدارة المخاطر ومنع الاحتيال والتحقق من الهوية.
جوليا شو هو عالم أبحاث مع Amazon Fraud Detector. إنها شغوفة بحل تحديات العملاء باستخدام تقنيات التعلم الآلي. تستمتع في أوقات فراغها بالمشي لمسافات طويلة والرسم واستكشاف المقاهي الجديدة.
جيلهيرمي ريتشي هو مهندس حلول أول في AWS ، يساعد الشركات الناشئة على تحديث تكاليف تطبيقاتها وتحسينها. مع أكثر من 10 سنوات من الخبرة مع الشركات في القطاع المالي ، يعمل حاليًا مع فريق متخصصي الذكاء الاصطناعي / تعلم الآلة.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- سك المستقبل مع أدرين أشلي. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :لديها
- :يكون
- :ليس
- :أين
- 000
- 1
- 10
- 100
- 20
- 20 سنة
- 200
- 39
- 50
- 7
- 8
- 9
- a
- القدرة
- ماهرون
- من نحن
- الوصول
- دقة
- دقيق
- بدقة
- أنشطة
- نشاط
- العنوان
- وكالات
- AI
- خدمات الذكاء الاصطناعي
- AI / ML
- الكل
- أيضا
- أمازون
- كاشف احتيال الأمازون
- من بين
- المبالغ
- an
- المحلل
- تحليل
- تحليل
- و
- إكتشاف عيب خلقي
- أي وقت
- API
- التطبيقات
- نهج
- هي
- المناطق
- AS
- At
- مهاجمة
- الأتمتة
- تلقائيا
- AWS
- حاجز
- على أساس
- BE
- لان
- أصبح
- أن تصبح
- قبل
- المستفيد
- أفضل
- التمهيد
- نساعدك في بناء
- مدمج
- الأعمال
- الأعمال
- زر
- by
- دعوة
- تسمى
- CAN
- الطاقة الإنتاجية
- تحدى
- التحديات
- تغيير
- متغير
- اسعارنا محددة من قبل وزارة العمل
- مبوب
- انقر
- الكود
- قهوة
- جمع
- COM
- الشركات
- مقارنة
- كنسولات
- باستمرار
- سياق الكلام
- متواصل
- التكاليف
- خلق
- حرج
- حاسم
- حالياًّ
- حاليا
- على
- زبون
- العملاء
- حسب الطلب
- البيانات
- تبادل البيانات
- قواعد البيانات
- القرار
- يعرف
- شرح
- تظاهر
- نشر
- كشف
- مختلف
- رقمي
- بحث
- ناقش
- تميز
- تنوع
- do
- لا
- بشكل كبير
- قيادة
- كل
- فعالية
- جهود
- إما
- البريد الإلكتروني
- الناشئة
- نقطة النهاية
- محرك
- إثراء
- الكيانات
- دخول
- التقييمات
- الحدث/الفعالية
- أحداث
- مثال
- أمثلة
- توقع
- توقع
- الخبره في مجال الغطس
- تفسير
- استكشاف
- إطالة
- زائف
- الميزات
- ردود الفعل
- قليل
- نهائي
- مالي
- المؤسسات المالية
- القطاع المالي
- fintechs
- تركز
- اتباع
- متابعيك
- في حالة
- احتيال
- الكشف عن الغش
- منع الغش
- المحتالين
- محتال
- نشاط احتيالي
- مجانًا
- تبدأ من
- تماما
- علاوة على ذلك
- مستقبل
- ربح
- جمع
- توليد
- العالمية
- حكومة
- جدا
- تشابك الايدى
- يملك
- he
- بشكل كبير
- مساعدة
- مساعدة
- أعلى
- تاريخي
- تاريخ
- كيفية
- لكن
- HTML
- HTTPS
- البشر
- مطابق
- تحديد
- هوية
- التحقق من الهوية
- فورا
- أثر
- تحسن
- تحسين
- تحسين
- in
- القيمة الاسمية
- زيادة
- الزيادات
- في ازدياد
- وأبلغ
- في البداية
- رؤى
- عدم إستقرار
- المؤسسات
- ذكي
- إلى
- التحقيقات
- IP
- IT
- انها
- JPG
- معروف
- تُشير
- نقص
- المشهد
- كبير
- قيادة
- تعلم
- تعلم
- مستوى
- مثل
- محدود
- حدود
- القليل
- خسائر
- منخفض
- خفض
- آلة
- آلة التعلم
- جعل
- القيام ب
- تمكن
- إدارة
- كتيب
- كثير
- مطابقة
- الإجراءات
- البيانات الوصفية
- طرق
- المقاييس
- ربما
- الحد الأدنى
- ML
- نموذج
- عارضات ازياء
- تحديث
- مراقبة
- الأكثر من ذلك
- علاوة على ذلك
- متعدد
- الاسم
- جديد
- الآن
- عدد
- of
- on
- online
- فقط
- الأمثل
- الأمثل
- خيار
- or
- منظمة
- المنظمات
- أخرى
- لنا
- يتفوق على
- على مدى
- تغلب
- الخاصة
- أساسي
- عاطفي
- أنماط
- وسائل الدفع
- مقدمي الدفع
- المدفوعات
- أداء
- ينفذ
- فارما
- المكان
- منصات التداول
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- إيجابي
- ممكن
- منشور
- يحتمل
- تنبؤ
- تنبؤات
- وجود
- منع
- الوقاية
- مشاكل
- عملية المعالجة
- العمليات
- حماية
- تزود
- مقدمي
- ويوفر
- جمهور
- جودة
- سؤال
- بسرعة
- نطاق
- الأجور
- في الوقت الحقيقي
- تخفيض
- الافراج عن
- وذكرت
- التقارير
- المتطلبات
- المتطلبات الأساسية
- بحث
- الموارد
- استجابة
- نتيجة
- النتائج
- مراجعة
- المخاطرة
- نماذج إدارة المخاطر
- النوع
- قاعدة
- القواعد
- سيناريوهات
- عالم
- أحرز هدفاً
- الإستراحة
- القطاع
- كبير
- خدمة
- الخدمة
- خدماتنا
- باكجات
- مشاركة
- المحلات التجارية
- ينبغي
- إظهار
- أظهرت
- يظهر
- هام
- بشكل ملحوظ
- ببساطة
- المقاس
- صغير
- So
- حل
- الحلول
- حل
- حل
- بعض
- متطور
- متخصص
- المتخصصين
- على وجه التحديد
- أنفق
- بداية
- البدء
- الحالة
- خطوة
- تخزين
- فروعنا
- هذه
- المساحة
- نظام
- أنظمة
- جدول
- التكتيكات
- فريق
- تقنيات
- تكنولوجيا
- تجربه بالعربي
- من
- أن
- •
- العالم
- من مشاركة
- وبالتالي
- وبالتالي
- تشبه
- هم
- عبر
- الوقت
- استهلاك الوقت
- إلى
- اليوم
- سويا
- تيشرت
- تقليدي
- قطار
- متدرب
- قادة الإيمان
- المعاملات
- جديد الموضة
- عادة
- في النهاية
- عدم اليقين
- تحديث
- تحديث
- تستخدم
- مستخدم
- استخدام
- التحقق من صحة
- قيمنا
- التحقق
- تحقق من
- قم بزيارتنا
- حجم
- مجلدات
- وكان
- طرق
- we
- ابحث عن
- التي
- في حين
- مع
- سير العمل
- عامل
- العالم
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت