Kun yhä useammat yritykset lisäävät läsnäoloaan verkossa palvellakseen asiakkaitaan paremmin, uusia petosmalleja ilmaantuu jatkuvasti. Nykypäivän jatkuvasti kehittyvässä digitaalisessa ympäristössä, jossa huijarit ovat yhä kehittyneempiä taktiikoissaan, tällaisten petollisten toimien havaitsemisesta ja estämisestä on tullut ensiarvoisen tärkeää yrityksille ja rahoituslaitoksille.
Perinteisten sääntöpohjaisten petosten havaitsemisjärjestelmien kyky toistaa nopeasti on rajoitettu, koska ne luottavat ennalta määritettyihin sääntöihin ja kynnysarvoihin mahdollisesti vilpillisen toiminnan ilmoittamiseksi. Nämä järjestelmät voivat tuottaa suuren määrän vääriä positiivisia tuloksia, mikä lisää merkittävästi petostiimin suorittamien manuaalisten tutkimusten määrää. Lisäksi ihmiset ovat myös alttiita virheille, ja heidän kykynsä käsitellä suuria tietomääriä on rajallinen, mikä tekee manuaalisista ponnisteluista petosten havaitsemiseksi aikaa vievää, mikä voi johtaa petollisten tapahtumien menettämiseen, lisääntyneisiin menetyksiin ja mainevaurioihin.
Koneoppimisella (ML) on ratkaiseva rooli petosten havaitsemisessa, koska se pystyy analysoimaan nopeasti ja tarkasti suuria tietomääriä poikkeavien mallien ja mahdollisten petosten suuntausten tunnistamiseksi. ML-petosmallin suorituskyky riippuu suuresti sen tietojen laadusta, johon se on koulutettu, ja erityisesti valvotuissa malleissa tarkat merkityt tiedot ovat ratkaisevan tärkeitä. ML:ssä mallin kouluttamiseen tarvittavan merkittävän historiallisen tiedon puutetta kutsutaan nimellä kylmäkäynnistys ongelma.
Petosten havaitsemisen maailmassa on joitain perinteisiä kylmäkäynnistysskenaarioita:
- Tarkan petosmallin luominen ilman transaktioiden tai petostapausten historiaa
- Kyky erottaa tarkasti uusien asiakkaiden ja tilien laillinen toiminta petoksesta
- Riskejä ratkaisevat maksut osoitteeseen tai edunsaajaan, jota petosjärjestelmä ei ole ennen nähnyt
On olemassa useita tapoja ratkaista nämä skenaariot. Voit esimerkiksi käyttää yleisiä malleja, jotka tunnetaan yhtenä koon malleina, jotka tyypillisesti koulutetaan petostietojen jakamisalustojen, kuten petoskonsortioiden, päällä. Tämän lähestymistavan haasteena on, että mikään liiketoiminta ei ole tasa-arvoista, ja petoshyökkäysten vektorit muuttuvat jatkuvasti.
Toinen vaihtoehto on käyttää valvomatonta poikkeamien havaitsemismallia asiakastapahtumien epätavallisen käyttäytymisen seuraamiseen ja esille tuomiseen. Tämän lähestymistavan haasteena on, että kaikki petostapahtumat eivät ole poikkeavuuksia, eivätkä kaikki poikkeamat todellakaan ole petoksia. Siksi voit odottaa korkeampia vääriä positiivisia määriä.
Tässä viestissä näytämme, kuinka voit nopeasti käynnistää reaaliaikaisen petostentorjuntamallin, jossa on vain 100 tapahtumaa käyttämällä Amazonin petosilmaisin uusi ominaisuus, Kylmä aloitus, mikä vähentää dramaattisesti räätälöityjen ML-mallien käyttöönoton estettä monille organisaatioille, joilla ei yksinkertaisesti ole aikaa tai kykyä kerätä ja merkitä tarkasti suuria tietojoukkoja. Lisäksi keskustelemme siitä, kuinka Amazon Fraud Detector -tallennettujen tapahtumien avulla voit tarkastella tuloksia ja merkitä tapahtumat oikein kouluttaaksesi mallejasi, mikä parantaa petostentorjuntatoimenpiteiden tehokkuutta ajan myötä.
Ratkaisun yleiskatsaus
Amazon Fraud Detector on täysin hallittu petosten havaitsemispalvelu, joka automatisoi mahdollisesti petollisen toiminnan havaitsemisen verkossa. Voit käyttää Amazon Fraud Detectoria luodaksesi mukautettuja petosten havaitsemismalleja käyttämällä omaa historiallista tietojoukkoasi, lisätäksesi päätöslogiikkaa sisäänrakennetun sääntömoottorin avulla ja organisoidaksesi riskipäätösten työnkulkuja napin painalluksella.
Aikaisemmin sinun piti tarjota yli 10,000 400 merkittyä tapahtumaa ja vähintään 100 esimerkkiä petoksista mallin kouluttamiseksi. Cold Start -ominaisuuden julkaisun avulla voit nopeasti kouluttaa mallin, jossa on vähintään 50 tapahtumaa ja vähintään 99 on luokiteltu huijaukseksi. Alkuperäisiin tietovaatimuksiin verrattuna tämä on 87 prosentin vähennys historiallisissa tiedoissa ja XNUMX prosentin vähennys etikettivaatimuksissa.
Uusi Cold Start -ominaisuus tarjoaa älykkäitä menetelmiä pienten tietojoukkojen rikastamiseen, laajentamiseen ja riskien mallintamiseen. Lisäksi Amazon Fraud Detector suorittaa merkintöjä ja näytteenottoa merkitsemättömille tapahtumille.
Julkisilla tietojoukoilla tehdyt kokeet osoittavat, että alentamalla rajat 50 huijaukseen ja vain 100 tapahtumaan voit rakentaa petosten ML-malleja, jotka ovat jatkuvasti tehokkaampia kuin valvomattomat ja puolivalvotut mallit.
Kylmäkäynnistysmallin suorituskyky
Harjoitustietojoukon laatu ja monimuotoisuus vaikuttavat ML-mallin kykyyn yleistää ja tehdä tarkkoja ennusteita näkymättömästä tiedosta. Cold Start -malleissa tämä ei ole erilainen. Prosessien pitäisi olla käytössä, kun lisää tietoa kerätään näiden tapahtumien oikein merkitsemiseksi ja mallien uudelleenkouluttamiseksi, mikä johtaa lopulta optimaaliseen mallin suorituskykyyn.
Pienemmällä datavaatimuksella raportoitujen suoritusten epävakaus lisääntyy mallin lisääntyneen varianssin ja rajoitetun testidatan koon vuoksi. Auttaakseen sinua rakentamaan oikeat odotukset mallin suorituskyvystä, mallin AUC:n lisäksi Amazon Fraud Detector raportoi myös epävarmuusalueen mittareita. Seuraavassa taulukossa määritellään nämä mittarit.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
AUC-epävarmuusväli | > 0.3 | Mallin suorituskyky on erittäin alhainen ja saattaa vaihdella suuresti. Odota alhaista petosten havaitsemista. | Mallin suorituskyky on heikko ja saattaa vaihdella suuresti. Odottaa rajoitettua petosten havaitsemiskykyä. | Mallin suorituskyky voi vaihdella suuresti. |
0.1 - 0.3 | Mallin suorituskyky on erittäin alhainen ja saattaa vaihdella huomattavasti. Odota alhaista petosten havaitsemistehoa. | Mallin suorituskyky on alhainen ja saattaa vaihdella huomattavasti. Odottaa rajoitettua petosten havaitsemiskykyä. | Mallin suorituskyky voi vaihdella huomattavasti. | |
<0.1 | Mallin suorituskyky on erittäin alhainen. Odota alhaista petosten havaitsemista. | Mallin suorituskyky on heikko. Odottaa rajoitettua petosten havaitsemiskykyä. | Ei varoitusta |
Harjoittele kylmäkäynnistysmallia
Cold Start -petosmallin kouluttaminen on samanlaista kuin minkä tahansa muun Amazon Fraud Detector -mallin koulutus; mikä eroaa on tietojoukon koko. Löydät mallitietojoukot Cold Start -koulutukseen meidän sivuiltamme GitHub-repo. Voit kouluttaa mukautetun Amazon Fraud Detector -mallin seuraamalla käytännönläheisiämme oppitunti. Voit käyttää joko Amazon Fraud Detector -konsolin opetusohjelma tai SDK opetusohjelma rakentaa, kouluttaa ja ottaa käyttöön petosten havaitsemismalli.
Kun mallisi on koulutettu, voit tarkastella suorituskykymittareita ja ottaa sen sitten käyttöön muuttamalla sen tilaksi Aktiiviset. Lisätietoja mallipisteistä ja suorituskykymittareista on kohdassa Mallin pisteet ja Mallin suorituskykymittarit. Tässä vaiheessa voit nyt lisätä mallisi ilmaisimeen, lisää liiketoiminnan sääntöjä tulkita mallin tuottamia riskipisteitä ja tehdä reaaliaikaisia ennusteita käyttämällä GetEventPrediction API.
Fraud ML -mallin jatkuva parantaminen ja palautesilmukka
Amazon Fraud Detector Cold Start -ominaisuuden avulla voit nopeasti käynnistää petostunnistimen päätepisteen ja aloittaa yrityksesi suojaamisen välittömästi. Uusia petosmalleja ilmaantuu kuitenkin jatkuvasti, joten on tärkeää kouluttaa Cold Start -mallit uudelleen uudemmilla tiedoilla ennusteiden tarkkuuden ja tehokkuuden parantamiseksi ajan myötä.
Jotta voit iteroida mallejasi, Amazon Fraud Detector tallentaa automaattisesti kaikki palveluun lähetetyt tapahtumat päätelmiä varten. Voit muuttaa tai vahvistaa, että tapahtuman käsittelylippu on päällä tapahtumatyyppitasolla, kuten seuraavassa kuvakaappauksessa näkyy.
Tallennetut tapahtumat -ominaisuuden avulla voit käyttää Amazon Fraud Detector SDK:ta tapahtumaan ohjelmallisesti, tarkastella tapahtuman metatietoja ja ennusteen selitystä sekä tehdä tietoon perustuva riskipäätös. Lisäksi voit merkitä tapahtuman tulevaa mallin uudelleenkoulutusta ja jatkuvaa mallin parantamista varten. Seuraavassa kaaviossa on esimerkki tästä työnkulusta.
Seuraavissa koodinpätkissä esittelemme tallennetun tapahtuman merkitsemisprosessin:
- Voit tehdä tapahtuman reaaliaikaisen petosennusteen soittamalla GetEventPrediction API:lle:
Kuten vastauksesta näkyy, tapahtuma tulee lähettää petostiimin manuaaliseen tarkasteluun valitun päätösmoottorisäännön perusteella. Keräämällä ennusteen selityksen metadataa voit saada käsityksen siitä, kuinka kukin tapahtumamuuttuja vaikutti mallin petosennustuspisteisiin.
- Näiden oivallusten keräämiseksi käytämme
get_event_prediction_metada
API:t:
API-vastaus:
Näiden näkemysten avulla petosanalyytikko voi tehdä tietoon perustuvan riskipäätöksen kyseisestä tapahtumasta ja päivittää tapahtumamerkinnän.
- Voit päivittää tapahtuman tunnisteen soittamalla
update_event_label
API:t:
API-vastaus
Viimeisenä vaiheena voit tarkistaa, onko tapahtumatunniste päivitetty oikein.
- Vahvista tapahtuman tarra soittamalla numeroon
get_event
API:t:
API-vastaus
Puhdistaa
Vältä tulevia maksuja poistamalla ratkaisulle luodut resurssit.
Yhteenveto
Tämä viesti osoitti, kuinka voit nopeasti käynnistää reaaliaikaisen petostentorjuntajärjestelmän, jossa on vain 100 tapahtumaa käyttämällä Amazon Fraud Detectorin uutta Cold Start -ominaisuutta. Keskustelimme siitä, kuinka voit käyttää tallennettuja tapahtumia tulosten tarkastelemiseen ja tapahtumien oikein merkitsemiseen ja mallien uudelleenkouluttamiseen, mikä parantaa petostentorjuntatoimenpiteiden tehokkuutta ajan myötä.
Täysin hallitut AWS-palvelut, kuten Amazon Fraud Detector, auttavat vähentämään aikaa, jonka yritykset käyttävät käyttäjien käyttäytymisen analysointiin tunnistaakseen alustoillaan olevat petokset ja keskittyvät enemmän liiketoiminnan arvon kasvattamiseen. Lisätietoja siitä, kuinka Amazon Fraud Detector voi auttaa yritystäsi, on osoitteessa Amazonin petoksen ilmaisin.
Tietoja Tekijät
Marcel Pividal on Global Sr. AI Services Solutions -arkkitehti World-Wide Specialist Organizationissa. Marcelilla on yli 20 vuoden kokemus yritysongelmien ratkaisemisesta teknologian avulla FinTechille, maksupalveluntarjoajille, lääkkeille ja valtion virastoille. Hänen tämän hetken painopistealueensa ovat riskienhallinta, petostentorjunta ja henkilöllisyyden todentaminen.
Julia Xu on tutkija, jolla on Amazon Fraud Detector. Hän on intohimoinen asiakkaiden haasteiden ratkaisemiseen koneoppimistekniikoiden avulla. Vapaa-ajallaan hän harrastaa patikointia, maalaamista ja uusiin kahviloihin tutustumista.
Guilherme Ricci on AWS:n vanhempi ratkaisuarkkitehti, joka auttaa startup-yrityksiä modernisoimaan ja optimoimaan sovellusten kustannuksia. Hänellä on yli 10 vuoden kokemus rahoitusalan yrityksistä, ja hän työskentelee tällä hetkellä yhdessä AI/ML-asiantuntijoiden tiimin kanssa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Tulevaisuuden lyöminen Adryenn Ashley. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :on
- :On
- :ei
- :missä
- 000
- 1
- 10
- 100
- 20
- 20 vuotta
- 200
- 39
- 50
- 7
- 8
- 9
- a
- kyky
- pystyy
- Meistä
- pääsy
- tarkkuus
- tarkka
- tarkasti
- toiminta
- toiminta
- osoite
- virastojen
- AI
- Tekoälyn palvelut
- AI / ML
- Kaikki
- Myös
- Amazon
- Amazonin petosilmaisin
- keskuudessa
- määrät
- an
- analyytikko
- analysoida
- analysointi
- ja
- poikkeavuuden havaitseminen
- Kaikki
- api
- sovellukset
- lähestymistapa
- OVAT
- alueet
- AS
- At
- hyökkäys
- automaatti
- automaattisesti
- AWS
- este
- perustua
- BE
- koska
- tulevat
- tulossa
- ennen
- edunsaaja
- Paremmin
- Bootstrap
- rakentaa
- sisäänrakennettu
- liiketoiminta
- yritykset
- nappia
- by
- soittaa
- nimeltään
- CAN
- Koko
- haaste
- haasteet
- muuttaa
- muuttuviin
- maksut
- luokiteltu
- napsauttaa
- koodi
- kahvi
- kerätä
- KOM
- Yritykset
- verrattuna
- Console
- alituisesti
- tausta
- jatkuva
- kustannukset
- luotu
- kriittinen
- ratkaiseva
- Nykyinen
- Tällä hetkellä
- asiakassuhde
- asiakas
- Asiakkaat
- räätälöityjä
- tiedot
- tietojen jakaminen
- aineistot
- päätös
- määrittelee
- osoittaa
- osoittivat
- sijoittaa
- Detection
- eri
- digitaalinen
- pohtia
- keskusteltiin
- erottaa
- Monimuotoisuus
- do
- Dont
- dramaattisesti
- ajo
- kukin
- tehokkuuden
- ponnisteluja
- myöskään
- syntymässä
- päätepiste
- Moottori
- rikastuttava
- yksiköt
- merkintä
- arvioinnit
- tapahtuma
- Tapahtumat
- esimerkki
- Esimerkit
- odottaa
- odotus
- experience
- selitys
- Tutkiminen
- ulottuu
- väärä
- Ominaisuus
- palaute
- harvat
- lopullinen
- taloudellinen
- Rahoituslaitokset
- Taloussektori
- Löytää
- fintechs
- Keskittää
- seurata
- jälkeen
- varten
- petos
- petosten havaitseminen
- PETOSTEN TORJUNTA
- huijareiden
- vilpillinen
- vilpillinen toiminta
- Ilmainen
- alkaen
- täysin
- Lisäksi
- tulevaisuutta
- Saada
- keräys
- tuottaa
- Global
- Hallitus
- suuresti
- käytännön
- Olla
- he
- raskaasti
- auttaa
- auttaa
- korkeampi
- historiallinen
- historia
- Miten
- Kuitenkin
- HTML
- HTTPS
- Ihmiset
- identtinen
- tunnistaa
- Identiteetti
- Identiteettitarkastus
- heti
- vaikutti
- parantaa
- parannus
- parantaminen
- in
- Kasvaa
- kasvoi
- Lisäykset
- lisää
- tietoa
- ensimmäinen
- oivalluksia
- epävakaisuus
- laitokset
- Älykäs
- tulee
- Tutkimukset
- IP
- IT
- SEN
- jpg
- tunnettu
- Merkki
- Lack
- Landschaft
- suuri
- johtava
- OPPIA
- oppiminen
- Taso
- pitää
- rajallinen
- rajat
- vähän
- tappiot
- Matala
- Alentaminen
- kone
- koneoppiminen
- tehdä
- Tekeminen
- onnistui
- johto
- manuaalinen
- monet
- Hyväksytty
- toimenpiteet
- Metadata
- menetelmät
- Metrics
- ehkä
- minimi
- ML
- malli
- mallit
- nykyaikaistaa
- monitori
- lisää
- Lisäksi
- moninkertainen
- nimi
- Uusi
- nyt
- numero
- of
- on
- verkossa
- vain
- optimaalinen
- Optimoida
- Vaihtoehto
- or
- organisaatio
- organisaatioiden
- Muut
- meidän
- suoriutua paremmin kuin
- yli
- Voittaa
- oma
- Tärkein
- intohimoinen
- kuviot
- maksu
- maksupalvelujen tarjoajille
- maksut
- suorituskyky
- suorittaa
- Pharma
- Paikka
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- Kohta
- positiivinen
- mahdollinen
- Kirje
- mahdollisesti
- ennustus
- Ennusteet
- läsnäolo
- estää
- Ehkäisy
- ongelmia
- prosessi
- Prosessit
- suojella
- toimittaa
- tarjoajat
- tarjoaa
- julkinen
- laatu
- kysymys
- nopeasti
- alue
- Hinnat
- reaaliaikainen
- vähentää
- vapauta
- raportoitu
- Raportit
- vaatimus
- vaatimukset
- tutkimus
- Esittelymateriaalit
- vastaus
- johtua
- tulokset
- arviot
- Riski
- riskienhallinta
- Rooli
- Sääntö
- säännöt
- skenaariot
- Tiedemies
- pisteet
- sdk
- sektori
- vanhempi
- palvella
- palvelu
- Palvelut
- Setit
- jakaminen
- kaupat
- shouldnt
- näyttää
- esitetty
- Näytä
- merkittävä
- merkittävästi
- yksinkertaisesti
- Koko
- pieni
- So
- ratkaisu
- Ratkaisumme
- SOLVE
- Solving
- jonkin verran
- hienostunut
- asiantuntija
- asiantuntijat
- erityisesti
- viettää
- Alkaa
- Startups
- Tila
- Vaihe
- tallennettu
- varastot
- niin
- pinta
- järjestelmä
- järjestelmät
- taulukko
- taktiikka
- joukkue-
- tekniikat
- Elektroniikka
- testi
- kuin
- että
- -
- maailma
- heidän
- siten
- siksi
- Nämä
- ne
- tätä
- Kautta
- aika
- aikaavievä
- että
- tämän päivän
- yhdessä
- ylin
- perinteinen
- Juna
- koulutettu
- koulutus
- Liiketoimet
- Trendit
- tyypillisesti
- Lopulta
- Epävarmuus
- Päivitykset
- päivitetty
- käyttää
- käyttäjä
- käyttämällä
- VAHVISTA
- arvo
- Vahvistus
- todentaa
- Vierailla
- tilavuus
- volyymit
- oli
- tavalla
- we
- Mitä
- joka
- vaikka
- with
- työnkulkuja
- työskentely
- maailman-
- vuotta
- Voit
- Sinun
- zephyrnet