Kuna üha rohkem ettevõtteid suurendab oma kohalolekut veebis, et oma kliente paremini teenindada, ilmnevad pidevalt uued pettusmustrid. Tänapäeva pidevalt areneval digimaastikul, kus petturite taktika on muutumas keerukamaks, on selliste pettuste avastamine ja ennetamine muutunud ettevõtete ja finantsasutuste jaoks ülimalt tähtsaks.
Traditsioonilised reeglipõhised pettuste tuvastamise süsteemid on piiratud nende kiire iteratsioonivõimega, kuna need tuginevad potentsiaalselt petturliku tegevuse märgistamiseks eelnevalt määratletud reeglitele ja lävedele. Need süsteemid võivad tekitada suure hulga valepositiivseid tulemusi, suurendades märkimisväärselt pettusemeeskonna käsitsi läbiviidavate uurimiste mahtu. Lisaks on inimestel ka vigu ning nende võimekus töödelda suuri andmehulki on piiratud, tehes käsitsi pettuse tuvastamiseks aeganõudvaid jõupingutusi, mille tagajärjeks võivad olla pettustehingute vahelejäämine, suurenenud kahju ja maine kahjustamine.
Masinõpe (ML) mängib pettuste tuvastamisel üliolulist rolli, kuna see suudab kiiresti ja täpselt analüüsida suuri andmemahtusid, et tuvastada anomaalseid mustreid ja võimalikke pettustrende. ML-pettuste mudeli jõudlus sõltub suuresti andmete kvaliteedist, mille kohta see on koolitatud, ja eriti järelevalvega mudelite puhul on täpsed märgistatud andmed üliolulised. ML-is nimetatakse mudeli koolitamiseks oluliste ajalooliste andmete puudumist külmkäivituse probleem.
Pettuste tuvastamise maailmas on järgmised traditsioonilised külmkäivituse stsenaariumid:
- Täpse pettusemudeli loomine, ilma tehingute või pettusejuhtumite ajaloota
- Võimalus uute klientide ja kontode puhul seaduslikku tegevust pettusest täpselt eristada
- Riskiotsuste tegemisel tehtavad maksed aadressile või abisaajale, mida pettusesüsteem pole varem näinud
Nende stsenaariumide lahendamiseks on mitu võimalust. Näiteks võite kasutada üldisi mudeleid, mida nimetatakse kõigile sobivateks mudeliteks ja mida tavaliselt koolitatakse pettuseandmete jagamise platvormide, näiteks pettuste konsortsiumide peal. Selle lähenemisviisi väljakutse seisneb selles, et ükski äri pole võrdne ja pettuste rünnakute vektorid muutuvad pidevalt.
Teine võimalus on kasutada järelevalveta anomaalia tuvastamise mudelit, et jälgida ja tuua esile ebatavalist käitumist kliendisündmuste seas. Selle lähenemisviisi väljakutse seisneb selles, et mitte kõik pettused ei ole anomaaliad ja mitte kõik kõrvalekalded pole tõepoolest pettused. Seetõttu võite oodata kõrgemaid valepositiivsete tulemuste määra.
Selles postituses näitame, kuidas saate kiiresti käivitada reaalajas pettuste ennetamise ML-mudeli, mis sisaldab vähemalt 100 sündmust, kasutades Amazoni pettusedetektor uus funktsioon, Külmkäivitus, alandades seeläbi järsult barjääri kohandatud ML-mudelitele sisenemisel paljudele organisatsioonidele, kellel lihtsalt ei ole aega ega võimalust suuri andmekogumeid koguda ja täpselt märgistada. Lisaks arutame, kuidas Amazoni pettusedetektori salvestatud sündmusi kasutades saate tulemusi üle vaadata ja sündmused õigesti märgistada, et oma mudeleid ümber õpetada, parandades seeläbi pettuste ennetamise meetmete tõhusust aja jooksul.
Lahenduse ülevaade
Amazon Fraud Detector on täielikult hallatav pettuste tuvastamise teenus, mis automatiseerib potentsiaalsete pettuste tuvastamise võrgus. Saate kasutada Amazon Fraud Detectorit, et luua kohandatud pettuste tuvastamise mudeleid, kasutades oma ajaloolist andmekogumit, lisada otsustusloogikat sisseehitatud reeglimootori abil ja korraldada riskiotsuste töövooge ühe nupuvajutusega.
Varem pidite modelli koolitamiseks esitama üle 10,000 400 märgistatud sündmuse koos vähemalt 100 pettuse näitega. Cold Start funktsiooni väljalaskmisega saate kiiresti välja õpetada mudeli, millel on vähemalt 50 sündmust ja vähemalt 99 sündmust, mis on klassifitseeritud pettuseks. Võrreldes esialgsete andmete nõuetega on see varasemate andmete vähenemine 87% ja etiketinõuete vähenemine XNUMX%.
Uus Cold Start funktsioon pakub nutikaid meetodeid väikeste andmehulkade rikastamiseks, laiendamiseks ja riskide modelleerimiseks. Veelgi enam, Amazon Fraud Detector teostab sildi määramist ja proovide võtmist märgistamata sündmuste jaoks.
Avalike andmekogumitega tehtud katsed näitavad, et piiranguid 50 pettuse ja ainult 100 sündmuseni langetades saate luua pettuse ML-mudeleid, mis järjekindlalt ületavad järelevalveta ja pooljärelevalvega mudeleid.
Cold Start mudeli jõudlus
ML-mudeli võimet üldistada ja nägematute andmete põhjal täpseid ennustusi teha mõjutab koolitusandmestiku kvaliteet ja mitmekesisus. Cold Start mudelite puhul pole see erinev. Teil peaksid olema paigas protsessid, kuna kogutakse rohkem andmeid, et need sündmused õigesti märgistada ja mudelid ümber õpetada, mis viib lõpuks mudeli optimaalse jõudluseni.
Väiksema andmenõude korral suureneb teatatud jõudluse ebastabiilsus mudeli suurenenud dispersiooni ja piiratud katseandmete mahu tõttu. Et aidata teil luua õigeid ootusi mudeli jõudluse osas, edastab Amazon Fraud Detector lisaks mudeli AUC-le ka määramatuse vahemiku mõõdikuid. Järgmises tabelis on need mõõdikud määratletud.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
AUC määramatuse intervall | > 0.3 | Mudeli jõudlus on väga madal ja võib oluliselt erineda. Oodake madalat pettuste tuvastamise jõudlust. | Mudeli jõudlus on madal ja võib oluliselt erineda. Oodake pettuste tuvastamise piiratud jõudlust. | Mudeli jõudlus võib oluliselt erineda. |
0.1 - 0.3 | Mudeli jõudlus on väga madal ja võib oluliselt erineda. Oodake madalat pettuste tuvastamise jõudlust. | Mudeli jõudlus on madal ja võib oluliselt erineda. Oodake pettuste tuvastamise piiratud jõudlust. | Mudeli jõudlus võib oluliselt erineda. | |
<0.1 | Mudeli jõudlus on väga madal. Oodake madalat pettuste tuvastamise jõudlust. | Mudeli jõudlus on madal. Oodake pettuste tuvastamise piiratud jõudlust. | Hoiatus puudub |
Treenige Cold Start mudelit
Cold Starti pettusemudeli koolitamine on identne mis tahes muu Amazoni pettusedetektori mudeli koolitamisega; mis erineb, on andmestiku suurus. Cold Start koolituse näidisandmekogumeid leiate meie lehelt GitHubi repo. Amazon Fraud Detectori kohandatud mudeli koolitamiseks võite järgida meie praktilisi juhiseid juhendaja. Võite kasutada kas Amazon Fraud Detectori konsooli õpetus või SDK õpetus pettuste tuvastamise mudeli loomiseks, koolitamiseks ja juurutamiseks.
Pärast mudeli väljaõpetamist saate jõudlusmõõdikud üle vaadata ja seejärel juurutada, muutes selle olekuks aktiivne. Mudeli skooride ja toimivusmõõdikute kohta lisateabe saamiseks vt Mudeli hinded ja Mudeli jõudlusnäitajad. Siinkohal saate nüüd oma mudeli detektorisse lisada, lisage ärireeglid mudeli väljastatavate riskiskooride tõlgendamiseks ja reaalajas prognooside tegemiseks GetEventPrediction API.
Pettuse ML mudeli pidev täiustamine ja tagasiside ahel
Funktsiooniga Amazon Fraud Detector Cold Start saate pettusedetektori lõpp-punkti kiiresti käivitada ja alustada kohe oma ettevõtte kaitsmist. Pidevalt ilmnevad aga uued pettusemustrid, mistõttu on ülioluline Cold Start mudelite ümberõpetamine uuemate andmetega, et aja jooksul ennustuste täpsust ja tõhusust parandada.
Et aidata teil oma mudeleid itereerida, salvestab Amazon Fraud Detector automaatselt kõik teenusele saadetud sündmused järelduste tegemiseks. Saate muuta või kinnitada, et sündmuse sisestamise lipp on sisse lülitatud sündmuse tüübi tasemel, nagu on näidatud järgmisel ekraanipildil.
Salvestatud sündmuste funktsiooniga saate kasutada Amazon Fraud Detector SDK-d, et programmiliselt sündmusele juurde pääseda, vaadata üle sündmuse metaandmed ja ennustuse selgitus ning teha teadlik riskiotsus. Lisaks saate sündmusele märgistada tulevase mudeli ümberõppe ja pideva mudeli täiustamise jaoks. Järgmine diagramm näitab selle töövoo näidet.
Järgmistes koodilõikudes demonstreerime salvestatud sündmuse sildistamise protsessi:
- Sündmuse kohta reaalajas pettuse ennustamiseks helistage GetEventPrediction API-le:
Nagu vastusest nähtub, tuleks sündmus saata petturimeeskonnale käsitsi ülevaatamiseks, lähtudes sobitatud otsustusmootori reeglist. Ennustuste selgituste metaandmeid kogudes saate ülevaate sellest, kuidas iga sündmuse muutuja mõjutas mudeli pettuste prognoosimise skoori.
- Nende teadmiste kogumiseks kasutame
get_event_prediction_metada
API-d:
API vastus:
Nende teadmiste abil saab pettuste analüütik teha kõnealuse sündmuse kohta teadliku riskiotsuse ja värskendada sündmuse silti.
- Sündmuse sildi värskendamiseks helistage
update_event_label
API-d:
API vastus
Viimase sammuna saate kontrollida, kas sündmuse silti värskendati õigesti.
- Sündmuse sildi kontrollimiseks helistage numbril
get_event
API-d:
API vastus
Koristage
Edaspidiste tasude vältimiseks kustutage lahenduse jaoks loodud ressursid.
Järeldus
See postitus näitas, kuidas saate Amazoni pettusedetektori uue Cold Start funktsiooni abil kiiresti käivitada reaalajas pettuste ennetamise süsteemi, mis sisaldab kuni 100 sündmust. Arutasime, kuidas saate salvestatud sündmusi kasutada tulemuste ülevaatamiseks ja sündmuste õigeks märgistamiseks ning mudelite ümberõpetamiseks, parandades aja jooksul pettuste ennetamise meetmete tõhusust.
Täielikult hallatavad AWS-teenused, nagu Amazon Fraud Detector, aitavad vähendada aega, mille ettevõtted kulutavad kasutaja käitumise analüüsimisele, et tuvastada oma platvormidel pettused ja keskenduda rohkem ettevõtte väärtuse suurendamisele. Lisateavet selle kohta, kuidas Amazon Fraud Detector teie ettevõtet aidata saab, külastage Amazoni pettusedetektor.
Autoritest
Marcel Pividal on ülemaailmne AI teenuste lahenduste arhitekt ülemaailmses spetsialistide organisatsioonis. Marcelil on enam kui 20-aastane kogemus finantstehnoloogiate, maksete pakkujate, farmaatsia ja valitsusasutuste äriprobleemide lahendamisel tehnoloogia abil. Tema praegused fookusvaldkonnad on riskijuhtimine, pettuste ennetamine ja identiteedi kontrollimine.
Julia Xu on Amazoni pettusedetektoriga teadlane. Ta on kirglik klientide väljakutsete lahendamise vastu, kasutades masinõppe tehnikaid. Vabal ajal naudib ta matkamist, maalimist ja uute kohvikute avastamist.
Guilherme Ricci on AWS-i vanemlahenduste arhitekt, kes aitab idufirmadel oma rakendusi moderniseerida ja kulusid optimeerida. Üle 10-aastase kogemusega finantssektori ettevõtetega töötab ta praegu koos AI/ML spetsialistide meeskonnaga.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Tuleviku rahapaja Adryenn Ashley. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :on
- :on
- :mitte
- : kus
- 000
- 1
- 10
- 100
- 20
- 20 aastat
- 200
- 39
- 50
- 7
- 8
- 9
- a
- võime
- Võimalik
- MEIST
- juurdepääs
- täpsus
- täpne
- täpselt
- tegevus
- tegevus
- aadress
- asutused
- AI
- AI teenused
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- Ka
- Amazon
- Amazoni pettusedetektor
- vahel
- summad
- an
- analüütik
- analüüsima
- analüüsides
- ja
- anomaalia tuvastamine
- mistahes
- API
- rakendused
- lähenemine
- OLEME
- valdkondades
- AS
- At
- rünnak
- automatiseerib
- automaatselt
- AWS
- tõke
- põhineb
- BE
- sest
- muutuma
- saada
- enne
- toetusesaaja
- Parem
- Bootstrap
- ehitama
- sisseehitatud
- äri
- ettevõtted
- nupp
- by
- helistama
- kutsutud
- CAN
- Võimsus
- väljakutse
- väljakutseid
- muutma
- muutuv
- koormuste
- salastatud
- klõps
- kood
- Kohv
- koguma
- COM
- Ettevõtted
- võrreldes
- konsool
- pidevalt
- kontekst
- pidev
- kulud
- loodud
- kriitiline
- otsustav
- Praegune
- Praegu
- tava
- klient
- Kliendid
- kohandatud
- andmed
- andmete jagamine
- andmekogumid
- otsus
- Määratleb
- näitama
- Näidatud
- juurutada
- Detection
- erinev
- digitaalne
- arutama
- arutatud
- eristama
- mitmekesisus
- do
- Ära
- dramaatiliselt
- sõidu
- iga
- tõhusus
- jõupingutusi
- kumbki
- smirgel
- Lõpp-punkt
- Mootor
- rikastav
- üksuste
- kanne
- hindamised
- sündmus
- sündmused
- näide
- näited
- ootama
- ootus
- kogemus
- selgitus
- Avastades
- laiendades
- vale
- tunnusjoon
- tagasiside
- vähe
- lõplik
- finants-
- Finants institutsioonid
- Finantssektor
- leidma
- fintechs
- Keskenduma
- järgima
- Järel
- eest
- pettus
- pettuste avastamine
- PETTUSTE ENNETAMINE
- petturid
- pettusega
- petturlik tegevus
- tasuta
- Alates
- täielikult
- Pealegi
- tulevik
- kasu
- kogumine
- tekitama
- Globaalne
- Valitsus
- suuresti
- käed-
- Olema
- he
- tugevalt
- aitama
- aidates
- rohkem
- ajalooline
- ajalugu
- Kuidas
- aga
- HTML
- HTTPS
- Inimestel
- identiques
- identifitseerima
- Identity
- Identity kontrollimine
- kohe
- mõjutatud
- parandama
- paranemine
- Paranemist
- in
- Suurendama
- kasvanud
- Tõstab
- kasvav
- teavitatakse
- esialgne
- teadmisi
- ebastabiilsus
- institutsioonid
- Intelligentne
- sisse
- Uuringud
- IP
- IT
- ITS
- jpg
- teatud
- silt
- puudus
- maastik
- suur
- juhtivate
- Õppida
- õppimine
- Tase
- nagu
- piiratud
- piirid
- vähe
- kaod
- Madal
- Langetamine
- masin
- masinõpe
- tegema
- Tegemine
- juhitud
- juhtimine
- käsiraamat
- palju
- sobitatud
- meetmed
- Metaandmed
- meetodid
- Meetrika
- võib
- miinimum
- ML
- mudel
- mudelid
- kaasajastama
- Jälgida
- rohkem
- Pealegi
- mitmekordne
- nimi
- Uus
- nüüd
- number
- of
- on
- Internetis
- ainult
- optimaalselt
- optimeerima
- valik
- or
- organisatsioon
- organisatsioonid
- Muu
- meie
- Edestama
- üle
- Ületada
- enda
- Tähtsam
- kirglik
- mustrid
- makse
- makse pakkujad
- maksed
- jõudlus
- täidab
- Pharma
- Koht
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- Punkt
- positiivne
- võimalik
- post
- potentsiaalselt
- ennustus
- Ennustused
- olemasolu
- ennetada
- Ennetamine
- probleeme
- protsess
- Protsessid
- kaitsta
- anda
- pakkujad
- annab
- avalik
- kvaliteet
- küsimus
- kiiresti
- valik
- Rates
- reaalajas
- vähendama
- vabastama
- Teatatud
- Aruanded
- nõue
- Nõuded
- teadustöö
- Vahendid
- vastus
- kaasa
- Tulemused
- läbi
- Oht
- riskijuhtimise
- Roll
- Eeskiri
- eeskirjade
- stsenaariumid
- teadlane
- skoor
- SDK
- sektor
- vanem
- teenima
- teenus
- Teenused
- Komplektid
- jagamine
- kauplused
- peaks
- näitama
- näidatud
- Näitused
- märkimisväärne
- märgatavalt
- lihtsalt
- SUURUS
- väike
- So
- lahendus
- Lahendused
- LAHENDAGE
- Lahendamine
- mõned
- keeruline
- spetsialist
- spetsialistid
- eriti
- kulutama
- algus
- Alustavatel
- olek
- Samm
- ladustatud
- kauplustes
- selline
- Pind
- süsteem
- süsteemid
- tabel
- taktika
- meeskond
- tehnikat
- Tehnoloogia
- test
- kui
- et
- .
- maailm
- oma
- sellega
- seetõttu
- Need
- nad
- see
- Läbi
- aeg
- aega võttev
- et
- tänane
- kokku
- ülemine
- traditsiooniline
- Rong
- koolitatud
- koolitus
- Tehingud
- Trends
- tüüpiliselt
- lõpuks
- Ebakindlus
- Värskendused
- ajakohastatud
- kasutama
- Kasutaja
- kasutamine
- KINNITAGE
- väärtus
- Kontrollimine
- kontrollima
- visiit
- maht
- mahud
- oli
- kuidas
- we
- M
- mis
- kuigi
- koos
- Töövoogud
- töö
- maailm
- aastat
- sa
- Sinu
- sephyrnet