Da immer mehr Unternehmen ihre Online-Präsenz ausbauen, um ihre Kunden besser bedienen zu können, entstehen ständig neue Betrugsmuster. In der sich ständig weiterentwickelnden digitalen Landschaft von heute, in der Betrüger in ihren Taktiken immer ausgefeilter werden, ist die Erkennung und Verhinderung solcher betrügerischer Aktivitäten für Unternehmen und Finanzinstitute von größter Bedeutung.
Herkömmliche regelbasierte Betrugserkennungssysteme sind in ihrer Fähigkeit, schnell zu iterieren, begrenzt, da sie sich auf vordefinierte Regeln und Schwellenwerte verlassen, um potenziell betrügerische Aktivitäten zu kennzeichnen. Diese Systeme können eine große Anzahl von Fehlalarmen erzeugen, was den Umfang der manuellen Untersuchungen, die vom Betrugsteam durchgeführt werden, erheblich erhöht. Darüber hinaus sind Menschen auch fehleranfällig und haben nur eine begrenzte Kapazität, um große Datenmengen zu verarbeiten, was manuelle Bemühungen zur Betrugserkennung zeitaufwändig macht, was zu verpassten betrügerischen Transaktionen, erhöhten Verlusten und Reputationsschäden führen kann.
Maschinelles Lernen (ML) spielt eine entscheidende Rolle bei der Betrugserkennung, da es große Datenmengen schnell und genau analysieren kann, um anomale Muster und mögliche Betrugstrends zu identifizieren. Die Leistung des ML-Betrugsmodells hängt stark von der Qualität der Daten ab, mit denen es trainiert wird, und insbesondere für die überwachten Modelle sind genau gekennzeichnete Daten von entscheidender Bedeutung. In ML wird das Fehlen signifikanter historischer Daten zum Trainieren eines Modells als das bezeichnet Kaltstartproblem.
In der Welt der Betrugserkennung sind im Folgenden einige traditionelle Kaltstartszenarien aufgeführt:
- Aufbau eines genauen Betrugsmodells ohne Historie von Transaktionen oder Betrugsfällen
- In der Lage zu sein, legitime Aktivitäten für neue Kunden und Konten genau von Betrug zu unterscheiden
- Risikoentscheidende Zahlungen an eine Adresse oder einen Begünstigten, die das Betrugssystem noch nie zuvor gesehen hat
Es gibt mehrere Lösungsmöglichkeiten für diese Szenarien. Sie können beispielsweise generische Modelle verwenden, die als One-Size-Fits-All-Modelle bekannt sind und in der Regel auf Plattformen zum Austausch von Betrugsdaten wie Betrugskonsortien trainiert werden. Die Herausforderung bei diesem Ansatz besteht darin, dass kein Unternehmen gleich ist und sich die Angriffsvektoren für Betrug ständig ändern.
Eine weitere Option besteht darin, ein unüberwachtes Anomalieerkennungsmodell zu verwenden, um ungewöhnliches Verhalten bei Kundenereignissen zu überwachen und aufzudecken. Die Herausforderung bei diesem Ansatz besteht darin, dass nicht alle Betrugsereignisse Anomalien sind und nicht alle Anomalien tatsächlich Betrug sind. Daher können Sie mit höheren False-Positive-Raten rechnen.
In diesem Beitrag zeigen wir, wie Sie mithilfe von schnell ein ML-Modell zur Betrugsprävention in Echtzeit mit nur 100 Ereignissen erstellen können Amazon Fraud Detector neue Funktion, Kaltstart, wodurch die Eintrittsbarriere für benutzerdefinierte ML-Modelle für viele Unternehmen, die einfach nicht die Zeit oder die Fähigkeit haben, große Datensätze zu sammeln und genau zu kennzeichnen, drastisch gesenkt wird. Darüber hinaus erörtern wir, wie Sie mithilfe von Amazon Fraud Detector gespeicherte Ereignisse Ergebnisse überprüfen und die Ereignisse korrekt kennzeichnen können, um Ihre Modelle neu zu trainieren und so die Wirksamkeit von Betrugspräventionsmaßnahmen im Laufe der Zeit zu verbessern.
Lösungsüberblick
Amazon Fraud Detector ist ein vollständig verwalteter Dienst zur Betrugserkennung, der die Erkennung potenziell betrügerischer Aktivitäten im Internet automatisiert. Sie können Amazon Fraud Detector verwenden, um mithilfe Ihres eigenen historischen Datensatzes benutzerdefinierte Betrugserkennungsmodelle zu erstellen, mithilfe der integrierten Regel-Engine Entscheidungslogik hinzuzufügen und Workflows für Risikoentscheidungen mit einem Klick auf eine Schaltfläche zu orchestrieren.
Früher mussten Sie über 10,000 gekennzeichnete Ereignisse mit mindestens 400 Betrugsbeispielen bereitstellen, um ein Modell zu trainieren. Mit der Veröffentlichung der Kaltstartfunktion können Sie schnell ein Modell mit mindestens 100 Ereignissen und mindestens 50 als Betrug klassifizierten Ereignissen trainieren. Verglichen mit den anfänglichen Datenanforderungen bedeutet dies eine Reduzierung der historischen Daten um 99 % und eine Reduzierung der Kennzeichnungsanforderungen um 87 %.
Die neue Cold Start-Funktion bietet intelligente Methoden zur Anreicherung, Erweiterung und Risikomodellierung kleiner Datensätze. Darüber hinaus führt Amazon Fraud Detector Labelzuweisungen und Stichproben für nicht gekennzeichnete Ereignisse durch.
Experimente, die mit öffentlichen Datensätzen durchgeführt wurden, zeigen, dass Sie durch die Senkung der Grenzen auf 50 Betrugsfälle und nur 100 Ereignisse Betrugs-ML-Modelle erstellen können, die unüberwachte und halbüberwachte Modelle durchweg übertreffen.
Leistung des Kaltstartmodells
Die Fähigkeit eines ML-Modells, ungesehene Daten zu verallgemeinern und genaue Vorhersagen zu treffen, wird durch die Qualität und Vielfalt des Trainingsdatensatzes beeinflusst. Bei Kaltstartmodellen ist dies nicht anders. Sie sollten über Prozesse verfügen, wenn mehr Daten gesammelt werden, um diese Ereignisse korrekt zu kennzeichnen und die Modelle neu zu trainieren, was letztendlich zu einer optimalen Modellleistung führt.
Bei einer geringeren Datenanforderung nimmt die Instabilität der gemeldeten Leistung aufgrund der erhöhten Varianz des Modells und der begrenzten Testdatengröße zu. Um Ihnen dabei zu helfen, die richtige Erwartung der Modellleistung aufzubauen, meldet Amazon Fraud Detector neben der Modell-AUC auch Unsicherheitsbereichsmetriken. Die folgende Tabelle definiert diese Metriken.
. | . | AUC | ||
. | . | <0.6 | 0.6. - 0.8 | > = 0.8 |
AUC-Unsicherheitsintervall | > 0.3 | Die Modellleistung ist sehr gering und kann stark variieren. Erwarten Sie eine geringe Betrugserkennungsleistung. | Die Modellleistung ist gering und kann stark variieren. Erwarten Sie eine eingeschränkte Betrugserkennungsleistung. | Die Modellleistung kann stark variieren. |
0.1. - 0.3 | Die Modellleistung ist sehr gering und kann erheblich variieren. Erwarten Sie eine geringe Betrugserkennungsleistung. | Die Modellleistung ist gering und kann erheblich variieren. Erwarten Sie eine eingeschränkte Betrugserkennungsleistung. | Die Modellleistung kann erheblich variieren. | |
<0.1 | Die Modellleistung ist sehr gering. Erwarten Sie eine geringe Betrugserkennungsleistung. | Die Modellleistung ist gering. Erwarten Sie eine eingeschränkte Betrugserkennungsleistung. | Keine Warnung |
Trainieren Sie ein Kaltstartmodell
Das Training eines Kaltstart-Betrugsmodells ist identisch mit dem Training jedes anderen Amazon Fraud Detector-Modells; Was sich unterscheidet, ist die Datensatzgröße. Beispieldatensätze für das Kaltstarttraining finden Sie in unserem GitHub Repo. Um ein benutzerdefiniertes Amazon Fraud Detector-Modell zu trainieren, können Sie unseren praktischen Übungen folgen Lernprogramm. Sie können entweder die verwenden Amazon Fraud Detect-Konsolen-Tutorial oder im SDK-Tutorial zum Erstellen, Trainieren und Bereitstellen eines Betrugserkennungsmodells.
Nachdem Ihr Modell trainiert wurde, können Sie Leistungsmetriken überprüfen und es dann bereitstellen, indem Sie seinen Status in ändern Aktives. Weitere Informationen zu Modellbewertungen und Leistungsmetriken finden Sie unter Modellergebnisse und Modellleistungsmetriken. An dieser Stelle können Sie nun Ihr Modell zu Ihrem Detektor hinzufügen, hinzufügen Geschäftsregeln um die vom Modell ausgegebenen Risikobewertungen zu interpretieren und mithilfe von Echtzeitvorhersagen zu treffen GetEventPrediction API.
Kontinuierliche Verbesserung und Feedback-Schleife des Betrugs-ML-Modells
Mit der Amazon Fraud Detector Cold Start-Funktion können Sie schnell einen Betrugserkennungs-Endpunkt booten und sofort mit dem Schutz Ihres Unternehmens beginnen. Es tauchen jedoch ständig neue Betrugsmuster auf, daher ist es wichtig, Kaltstartmodelle mit neueren Daten neu zu trainieren, um die Genauigkeit und Effektivität der Vorhersagen im Laufe der Zeit zu verbessern.
Um Ihnen bei der Iteration Ihrer Modelle zu helfen, speichert Amazon Fraud Detector automatisch alle Ereignisse, die zur Inferenz an den Service gesendet werden. Sie können das Ereigniserfassungs-Flag auf Ereignistypebene ändern oder validieren, wie im folgenden Screenshot gezeigt.
Mit der Funktion „Gespeicherte Ereignisse“ können Sie das Amazon Fraud Detector SDK verwenden, um programmgesteuert auf ein Ereignis zuzugreifen, die Ereignismetadaten und die Vorhersageerklärung zu überprüfen und eine fundierte Risikoentscheidung zu treffen. Darüber hinaus können Sie das Ereignis für zukünftige Modellumschulungen und kontinuierliche Modellverbesserungen kennzeichnen. Das folgende Diagramm zeigt ein Beispiel für diesen Workflow.
In den folgenden Codeschnipseln demonstrieren wir den Vorgang zum Kennzeichnen eines gespeicherten Ereignisses:
- Um eine Echtzeit-Betrugsvorhersage für ein Ereignis durchzuführen, rufen Sie die GetEventPrediction-API auf:
Wie aus der Antwort hervorgeht, sollte das Ereignis basierend auf der übereinstimmenden Regel der Entscheidungsmaschine zur manuellen Überprüfung durch das Betrugsteam gesendet werden. Durch das Sammeln der Metadaten zur Erklärung der Vorhersage können Sie Erkenntnisse darüber gewinnen, wie sich jede Ereignisvariable auf den Betrugsvorhersagewert des Modells ausgewirkt hat.
- Um diese Erkenntnisse zu sammeln, verwenden wir die
get_event_prediction_metada
API:
API-Antwort:
Mit diesen Erkenntnissen kann der Betrugsanalyst eine fundierte Risikoentscheidung über das betreffende Ereignis treffen und das Ereignisetikett aktualisieren.
- Um die Ereignisbezeichnung zu aktualisieren, rufen Sie die auf
update_event_label
API:
API-Antwort
Als letzten Schritt können Sie überprüfen, ob die Ereignisbezeichnung korrekt aktualisiert wurde.
- Um die Ereignisbezeichnung zu überprüfen, rufen Sie die
get_event
API:
API-Antwort
Aufräumen
Löschen Sie die für die Lösung erstellten Ressourcen, um zukünftige Gebühren zu vermeiden.
Zusammenfassung
In diesem Beitrag wurde gezeigt, wie Sie mithilfe der neuen Cold-Start-Funktion von Amazon Fraud Detector schnell ein Echtzeit-Betrugspräventionssystem mit weniger als 100 Ereignissen einrichten können. Wir haben besprochen, wie Sie gespeicherte Ereignisse verwenden können, um Ergebnisse zu überprüfen und die Ereignisse korrekt zu kennzeichnen und Ihre Modelle neu zu trainieren, um die Wirksamkeit von Betrugspräventionsmaßnahmen im Laufe der Zeit zu verbessern.
Vollständig verwaltete AWS-Services wie Amazon Fraud Detector tragen dazu bei, die Zeit zu reduzieren, die Unternehmen mit der Analyse des Benutzerverhaltens verbringen, um Betrug auf ihren Plattformen zu erkennen und sich mehr auf die Steigerung des Geschäftswerts zu konzentrieren. Um mehr darüber zu erfahren, wie Amazon Fraud Detector Ihrem Unternehmen helfen kann, besuchen Sie Amazon-Betrugsdetektor.
Über die Autoren
Marcel Pividal ist Global Sr. AI Services Solutions Architect in der World-Wide Specialist Organization. Marcel verfügt über mehr als 20 Jahre Erfahrung in der Lösung von Geschäftsproblemen durch Technologie für FinTechs, Zahlungsanbieter, Pharmaunternehmen und Regierungsbehörden. Seine derzeitigen Schwerpunkte sind Risikomanagement, Betrugsprävention und Identitätsprüfung.
Julia Xu ist ein Research Scientist bei Amazon Fraud Detector. Sie ist leidenschaftlich daran interessiert, Kundenherausforderungen mithilfe von Techniken des maschinellen Lernens zu lösen. In ihrer Freizeit wandert sie gerne, malt und erkundet neue Cafés.
Guilherme Ricci ist Senior Solution Architect bei AWS und hilft Startups bei der Modernisierung und Kostenoptimierung ihrer Anwendungen. Mit über 10 Jahren Erfahrung bei Unternehmen im Finanzsektor arbeitet er derzeit mit dem Team von AI/ML-Spezialisten zusammen.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Die Zukunft prägen mit Adryenn Ashley. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :hast
- :Ist
- :nicht
- :Wo
- 000
- 1
- 10
- 100
- 20
- 20 Jahre
- 200
- 39
- 50
- 7
- 8
- 9
- a
- Fähigkeit
- Fähig
- Über Uns
- Zugang
- Genauigkeit
- genau
- genau
- Aktivitäten
- Aktivität
- Adresse
- Agenturen
- AI
- KI-Dienste
- AI / ML
- Alle
- ebenfalls
- Amazon
- Amazon Fraud Detector
- unter
- Beträge
- an
- Analytiker
- analysieren
- Analyse
- und
- Anomalieerkennung
- jedem
- Bienen
- Anwendungen
- Ansatz
- SIND
- Bereiche
- AS
- At
- Attacke
- Automatisches Erfassen:
- Im Prinzip so, wie Sie es von Google Maps kennen.
- AWS
- Barriere
- basierend
- BE
- weil
- werden
- Werden
- Bevor
- Begünstigter
- Besser
- Bootstrap
- bauen
- eingebaut
- Geschäft
- Unternehmen
- Taste im nun erscheinenden Bestätigungsfenster nun wieder los.
- by
- rufen Sie uns an!
- namens
- CAN
- Kapazität
- challenges
- Herausforderungen
- Übernehmen
- Ändern
- Gebühren
- eingestuft
- klicken Sie auf
- Code
- Kaffee
- sammeln
- COM
- Unternehmen
- verglichen
- Konsul (Console)
- ständig
- Kontext
- kontinuierlich
- Kosten
- erstellt
- kritischem
- wichtig
- Strom
- Zur Zeit
- Original
- Kunde
- Kunden
- maßgeschneiderte
- technische Daten
- Datenübertragung
- Datensätze
- Entscheidung
- Definiert
- zeigen
- Synergie
- einsetzen
- Entdeckung
- anders
- digital
- diskutieren
- diskutiert
- unterscheiden
- Diversität
- do
- Nicht
- Dramatisch
- Fahren
- jeder
- Wirksamkeit
- Bemühungen
- entweder
- aufstrebenden
- Endpunkt
- Motor
- bereichernd
- Entitäten
- Eintrag
- Auswertungen
- Event
- Veranstaltungen
- Beispiel
- Beispiele
- erwarten
- Erwartung
- ERFAHRUNGEN
- Erklärung
- Möglichkeiten sondieren
- Verlängerung
- falsch
- Merkmal
- Feedback
- wenige
- Finale
- Revolution
- Finanzinstitutionen
- Finanzsektor
- Finden Sie
- FinTechs
- Setzen Sie mit Achtsamkeit
- folgen
- Folgende
- Aussichten für
- Betrug
- Betrugserkennung
- BETRUGSPRÄVENTION
- Betrügern
- betrügerisch
- betrügerische Aktivitäten
- Frei
- für
- voll
- Außerdem
- Zukunft
- Gewinnen
- Sammlung
- erzeugen
- Global
- der Regierung
- sehr
- praktische
- Haben
- he
- schwer
- Hilfe
- Unternehmen
- höher
- historisch
- Geschichte
- Ultraschall
- aber
- HTML
- HTTPS
- Humans
- identisch
- identifizieren
- Identitätsschutz
- Identitäts Verifikation
- sofort
- wirkt
- zu unterstützen,
- Verbesserung
- Verbesserung
- in
- Erhöhung
- hat
- Steigert
- zunehmend
- informiert
- Anfangs-
- Einblicke
- Instabilität
- Institutionen
- Intelligent
- in
- Untersuchungen
- IP
- IT
- SEINE
- jpg
- bekannt
- Label
- Mangel
- Landschaft
- grosse
- führenden
- LERNEN
- lernen
- Niveau
- Gefällt mir
- Limitiert
- Grenzen
- wenig
- Verluste
- Sneaker
- Senkung
- Maschine
- Maschinelles Lernen
- um
- Making
- verwaltet
- Management
- manuell
- viele
- abgestimmt
- Maßnahmen
- Metadaten
- Methoden
- Metrik
- könnte
- Minimum
- ML
- Modell
- für
- modernisieren
- Überwachen
- mehr
- Zudem zeigt
- mehrere
- Name
- Neu
- jetzt an
- Anzahl
- of
- on
- Online
- einzige
- optimal
- Optimieren
- Option
- or
- Organisation
- Organisationen
- Andere
- UNSERE
- Übertreffen
- übrig
- Überwinden
- besitzen
- oberste
- leidenschaftlich
- Muster
- Zahlung
- Zahlungsanbieter
- Zahlungen
- Leistung
- führt
- Pharma
- Ort
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- Points
- positiv
- möglich
- Post
- möglicherweise
- Prognose
- Prognosen
- Präsenz
- Verhütung
- abwehr
- Probleme
- Prozessdefinierung
- anpassen
- Schutz
- die
- Anbieter
- bietet
- Öffentlichkeit
- Qualität
- Frage
- schnell
- Angebot
- Honorar
- Echtzeit
- Veteran
- Release
- Berichtet
- Meldungen
- Anforderung
- Voraussetzungen:
- Forschungsprojekte
- Downloads
- Antwort
- Folge
- Die Ergebnisse
- Überprüfen
- Risiko
- Risikomanagement
- Rollen
- Regel
- Ohne eine erfahrene Medienplanung zur Festlegung von Regeln und Strategien beschleunigt der programmatische Medieneinkauf einfach die Rate der verschwenderischen Ausgaben.
- Szenarien
- Wissenschaftler
- Ergebnis
- Sdk
- Bibliotheken
- Senior
- brauchen
- Lösungen
- Sets
- ,,teilen"
- Geschäfte
- sollte
- erklären
- gezeigt
- Konzerte
- signifikant
- bedeutend
- einfach
- Größe
- klein
- So
- Lösung
- Lösungen
- LÖSEN
- Auflösung
- einige
- anspruchsvoll
- Spezialist
- Spezialisten
- speziell
- verbringen
- Anfang
- Startups
- Status
- Schritt
- gelagert
- Läden
- so
- Oberfläche
- System
- Systeme und Techniken
- Tabelle
- Taktik
- Team
- Techniken
- Technologie
- Test
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- die Welt
- ihr
- damit
- deswegen
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- Durch
- Zeit
- Zeitaufwendig
- zu
- heutigen
- gemeinsam
- Top
- traditionell
- Training
- trainiert
- Ausbildung
- Transaktionen
- Trends
- typisch
- Letztlich
- Unsicherheit
- Aktualisierung
- aktualisiert
- -
- Mitglied
- Verwendung von
- BESTÄTIGEN
- Wert
- Verification
- überprüfen
- Besuchen Sie
- Volumen
- Volumen
- wurde
- Wege
- we
- Was
- welche
- während
- mit
- Workflows
- arbeiten,
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- Jahr
- Du
- Ihr
- Zephyrnet