Ebben a három részből álló sorozatban egy olyan megoldást mutatunk be, amely bemutatja, hogyan automatizálhatja a dokumentumok hamisításának és nagyarányú csalásának észlelését az AWS AI és a gépi tanulási (ML) szolgáltatások segítségével jelzálog-biztosítási felhasználási esetekhez.
Ez a megoldás a jelzáloghitel-csalás egyre jelentősebb globális hullámát lovagolja meg, amely egyre súlyosbodik, ahogy egyre többen mutatnak be csalárd bizonyítékokat a hitelfelvételhez. Az adatok azt mutatják, hogy a magas kockázatú és feltételezett csalárd jelzáloghitel-tevékenység növekszik, és 52 óta 2013%-kal nőtt a feltételezett csalárd jelzáloghitel-kérelmek száma. (Forrás: Equifax)
A sorozat 1. része a kézi kölcsönzési folyamattal kapcsolatos leggyakoribb kihívásokat tárgyalja. Konkrét útmutatást adunk ennek a problémának az AWS AI és ML szolgáltatásokkal való megoldásához a dokumentumok manipulációjának észleléséhez, a csaló forgatókönyvek mintáinak azonosításához és kategorizálásához, valamint az üzletileg meghatározott szabályokkal való integrációhoz, miközben minimálisra csökkenti a csalások felderítéséhez szükséges emberi szakértelmet.
A 2. részben bemutatjuk, hogyan lehet betanítani és tárolni egy számítógépes látásmodellt a manipulációk észleléséhez és lokalizálásához Amazon SageMaker. A 3. részben bemutatjuk, hogyan automatizálható a jelzáloghitel-okmányokban elkövetett csalások észlelése ML-modellel és üzletileg meghatározott szabályokkal Amazon csalásészlelő.
A kézi kölcsönzési folyamattal kapcsolatos kihívások
A hitelezési és jelzáloghitel-ágazatban működő szervezetek több ezer kérelmet kapnak, az új jelzáloghitel-igényléstől a meglévő jelzáloghitel refinanszírozásáig. Ezek a dokumentumok egyre inkább ki vannak téve az okmánycsalásnak, mivel a csalók több illegális módon próbálják kihasználni a rendszert, és jelzálogjogot szerezni. A jelzáloghitel igénybevételéhez a kérelmezőnek át kell adnia a hitelezőnek a foglalkoztatását, vagyonát és tartozásait igazoló dokumentumokat. A hitelfelvételi szabályok és a kamatlábak megváltoztatása drasztikusan megváltoztathatja a kérelmező hitelképességét. A csalók a tévedő újoncoktól a szinte tökéletes mesterekig terjednek a hamis hiteligénylési dokumentumok elkészítésekor. A csaló papírmunka magában foglalja, de nem kizárólagosan, a fizetési táblák megváltoztatását vagy meghamisítását, a jövedelemre vonatkozó információk felfújását, a munkastátusz félrevezetését, valamint a munkalevelek és más fontos jelzálog-jegyzési dokumentumok hamisítását. Ezeket a csalási kísérleteket a jelzáloghitelezők számára nehézségekbe ütközik.
A kézi kölcsönzési folyamathoz kapcsolódó jelentős kihívások közé tartoznak, de nem kizárólagosan:
- Annak szükségessége, hogy a hitelfelvevő felkeresse a fióktelepet
- Működési rezsi
- Adatbeviteli hibák
- Automatizálás és a felbontásig eltelt idő
Végül a jegyzési folyamat, vagy a hitelképesség elemzése és a hiteldöntés több időt vesz igénybe, ha manuálisan történik. A kézi fogyasztói hitelezési eljárásnak is van néhány előnye, például az emberi megítélést igénylő hitel jóváhagyása. A megoldás automatizálást és kockázatcsökkentést biztosít a jelzálog-jegyzésben, ami segít csökkenteni az időt és a költségeket a kézi eljáráshoz képest.
Megoldás áttekintése
A dokumentumok érvényesítése a jelzáloghitel-csalási döntések kritikus bemeneti típusa. Az alátámasztó jelzáloghitel-okmányok kockázati profiljának megértése és ezekből az adatokból származó betekintések jelentősen javíthatják a kockázati döntéseket, és központi szerepet töltenek be minden biztosító csaláskezelési stratégiájában.
A következő diagram a jelzáloghitel-okmány-csalás felderítési folyamatának egyes szakaszait mutatja be. Végigjárjuk ezeket a szakaszokat, és azt, hogy ezek hogyan segítik a biztosítási pontosságot (a szükséges tartalom osztályozása és kinyerése érdekében dokumentumok rögzítésével), a hamisított dokumentumok felderítését, végül pedig egy ML-modellt az üzletvezérelt szabályok szerint osztályozott potenciális csalások felderítésére.
A következő szakaszokban részletesen tárgyaljuk a folyamat szakaszait.
A dokumentum besorolása
A intelligens dokumentumfeldolgozás (IDP), automatikusan feldolgozhatjuk a pénzügyi dokumentumokat az AWS AI szolgáltatások segítségével, mint pl Amazon szöveg és a Amazon Comprehend.
Ezenkívül használhatjuk az Amazon Textract Analyze Lending API-t a jelzáloghitel-dokumentumok feldolgozásához. Az Analyze Lending előre betanított ML modelleket használ a jelzáloghitellel kapcsolatos dokumentumok információinak automatikus kinyerésére, osztályozására és érvényesítésére nagy sebességgel és pontossággal, miközben csökkenti az emberi hibákat. Amint az a következő ábrán látható, az Analyse Lending kap egy kölcsönbizonylatot, majd oldalakra bontja, és a dokumentum típusa szerint osztályozza azokat. A dokumentum oldalai ezután automatikusan az Amazon Textract szövegfeldolgozási műveleteihez kerülnek a pontos adatkinyerés és elemzés érdekében.
Az Analyze Lending API a következő előnyöket kínálja:
- Jelzáloghitel-csomagok automatizált, teljes körű feldolgozása
- Előre betanított ML modellek különféle dokumentumtípusokhoz egy jelzáloghitel-igénylési csomagban
- Igény szerint méretezhető, és csökkenthető az emberi felülvizsgálókra való támaszkodás
- Jobb döntéshozatal és jelentősen alacsonyabb működési költségek
Szabotázs-észlelés
A SageMakerben telepített számítógépes látásmodellt végpontok közötti képhamisítás-észlelési és lokalizációs megoldásunkhoz használjuk, ami azt jelenti, hogy bemenetként egy tesztképet vesz fel, kimenetként pedig megjósolja a pixelszintű hamisítás valószínűségét.
A legtöbb kutatás négy képhamisítási technikára összpontosít: illesztésre, másolásra-mozgatásra, eltávolításra és javításra. Mind az illesztés, mind a másolás-mozgatás magában foglalja a képtartalom hozzáadását a cél (hamisított) képhez. A hozzáadott tartalom azonban egy másik képből származik a splicing során. Másolás-mozgatás esetén a célképből származik. Az eltávolítás vagy a befestés eltávolítja a kiválasztott képterületet (például elrejt egy objektumot), és kitölti a helyet a háttérből becsült új pixelértékekkel. Végül a képjavítás a helyi manipulációk hatalmas gyűjteménye, mint például az élesítés, a fényerő és a beállítás.
A hamisítás jellemzőitől függően különböző nyomok használhatók a felderítés és a lokalizáció alapjául. Ezek a nyomok közé tartoznak a JPEG tömörítési műtermékek, az élek inkonzisztenciái, a zajminták, a színkonzisztencia, a vizuális hasonlóság, az EXIF-konzisztencia és a kameramodell. A valós hamisítások azonban összetettebbek, és gyakran manipulációk sorozatát alkalmazzák a hamisítás elrejtésére. A legtöbb létező módszer a képszintű észlelésre összpontosít, függetlenül attól, hogy a kép hamisított-e vagy sem, és nem a dokumentum képének hamisított területének lokalizálására vagy kiemelésére, hogy segítse a biztosítót a megalapozott döntések meghozatalában.
A sorozat 2. részében a SageMaker programban a manipulációk észlelésére és lokalizálására szolgáló számítógépes látásmodell betanításának és üzemeltetésének részleteit mutatjuk be. A modell elvi CNN-alapú architektúráját a következő ábra mutatja be. A modell kivonja a képmanipulációs nyomkövetési jellemzőket egy tesztelő képhez, és azonosítja az anomáliás régiókat azáltal, hogy felméri, mennyire különbözik egy helyi jellemző a referenciajellemzőitől. Úgy érzékeli a hamis képpontokat, hogy a helyi rendellenes jellemzőket a tesztelési kép előrejelzett maszkjaként azonosítja.
Csalások felderítése
Az Amazon Fraud Detectort, egy teljesen felügyelt mesterségesintelligencia-szolgáltatást használunk a csaló tevékenységek generálásának, értékelésének és észlelésének automatizálására. Ezt úgy érik el, hogy a jelzáloghitel-okmányokból kinyert adatok alapján csalási előrejelzéseket generálnak az ügyfél történeti (csalási) adataival betanított ML csalási modellekkel szemben. Az előrejelzés segítségével üzleti szabályokat válthat ki a biztosítási döntésekkel kapcsolatban.
A csalás előrejelzési logika meghatározása a következő összetevőket foglalja magában:
- Eseménytípusok – Határozza meg az esemény szerkezetét
- Modellek – Határozza meg a csalás előrejelzéséhez szükséges algoritmust és adatkövetelményeket
- Változók – A csalásészlelési eseményhez kapcsolódó adatelemet ábrázol
- Szabályok – Mondja el az Amazon Fraud Detectornak, hogyan értelmezze a változó értékeket a csalás előrejelzése során
- Eredmények – A csalás előrejelzéséből származó eredmények
- Detektoros verzió – Tartalmazza a csalás-előrejelzési logikát a csalásészlelési eseményhez
A következő ábra szemlélteti ennek az összetevőnek az architektúráját.
A modell üzembe helyezése után az előrejelzés magyarázatai alapján kiértékelheti annak teljesítménypontszámait és mérőszámait. Ez segít azonosítani a legfontosabb kockázati mutatókat és elemezni a csalási mintákat az adatok között.
Harmadik fél általi érvényesítés
A megoldást külső szolgáltatókkal integráljuk (API-n keresztül), hogy érvényesítsük a dokumentumokból kinyert információkat, például személyes és foglalkoztatási információkat. Ez különösen hasznos a részletek keresztellenőrzéséhez, a dokumentumok hamisítás-észlelésén és az alkalmazások történeti mintáján alapuló csalásészlelésen kívül.
A következő architektúra diagram egy kötegelt csalásészlelési folyamatot szemléltet jelzáloghitel-igénylések feldolgozásakor, különféle AWS-szolgáltatásokat használva.
A munkafolyamat a következő lépéseket tartalmazza:
- A felhasználó feltölti a szkennelt dokumentumokat Amazon egyszerű tárolási szolgáltatás (Amazon S3).
- A feltöltés egy AWS Lambda függvény (Invoke Document Analysis), amely meghívja az Amazon Textract API-t szövegkivonathoz. Ezenkívül használhatjuk az Amazon Textract Analyze Lending API-t az információk automatikus kinyerésére, osztályozására és érvényesítésére.
- A szöveg kibontása után értesítést küldünk a következőn keresztül Amazon Simple Notification Service (Amazon SNS).
- Az értesítés elindít egy Lambda funkciót (Get Document Analysis), amely meghívja az Amazon Comprehend alkalmazást az egyéni dokumentumosztályozáshoz.
- Az alacsony megbízhatósági pontszámmal rendelkező dokumentumelemzési eredményeket a rendszer emberi ellenőrökhöz továbbítja Amazon kiterjesztett AI (Amazon A2I).
- Az Amazon Textract és az Amazon Comprehend kimenetét a Lambda függvény (Analyze & Classify Document) összesíti.
- A SageMaker következtetési végpontot a bemeneti dokumentumok csalás-előrejelzési maszkjához hívják.
- Az Amazon Fraud Detector a jelzáloghitel-okmányokból kinyert adatok alapján csalás előrejelzési pontszámot kér.
- Az Amazon Fraud Detector és a SageMaker következtetési végpont eredményeit összesítik a hitelnyújtási kérelemben.
- A dokumentumfeldolgozási feladat állapota nyomon követhető Amazon DynamoDB.
Következtetés
Ez a bejegyzés egy olyan automatizált megoldást mutatott be, amely az Amazon Fraud Detector és más Amazon AI és ML szolgáltatások segítségével észleli a dokumentumok hamisítását és csalását a jelzálog-biztosítási folyamatban. Ez a megoldás lehetővé teszi a csalási kísérletek felderítését a csalás bekövetkeztének időpontjához közelebb, és segíti a biztosítókat a hatékony döntéshozatali folyamatban. A megvalósítás rugalmassága lehetővé teszi, hogy üzletvezérelt szabályokat határozzon meg a csalási kísérletek osztályozása és rögzítése érdekében, egyedi üzleti igényekhez igazítva.
Ennek a sorozatnak a 2. részében bemutatjuk a SageMaker segítségével történő dokumentum-hamisítás észlelésének megvalósítási részleteit. A 3. részben bemutatjuk, hogyan lehet megvalósítani a megoldást az Amazon Fraud Detectoron.
A szerzőkről
Anup Ravindranath az Amazon Web Services (AWS) vezető megoldási építésze a kanadai Torontóban, és pénzügyi szolgáltatások szervezeteivel dolgozik együtt. Segít az ügyfeleknek abban, hogy átalakítsák vállalkozásukat és innovációt hajtsanak végre a felhőben.
Vinnie Saini az Amazon Web Services (AWS) vezető megoldási építésze a kanadai Torontóban. Segített a Financial Services ügyfeleinek a felhőben való átalakulásában, AI- és ML-vezérelt megoldásokkal az építészeti kiválóság erős alappillérein.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Részvények vásárlása és eladása PRE-IPO társaságokban a PREIPO® segítségével. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/automate-document-validation-and-fraud-detection-in-the-mortgage-underwriting-process-using-aws-ai-services-part-1/
- :van
- :is
- :nem
- 1
- 100
- 2013
- 7
- 710
- a
- Rólunk
- Szerint
- pontosság
- pontos
- elért
- át
- tevékenységek
- tevékenység
- hozzáadott
- hozzáadásával
- mellett
- További
- Ezen kívül
- címzés
- Beállítás
- előnyei
- újra
- ellen
- AI
- AI szolgáltatások
- Támogatás
- algoritmus
- lehetővé teszi, hogy
- amazon
- Amazon Comprehend
- Amazon csalásészlelő
- Amazon szöveg
- Az Amazon Web Services
- Amazon Web Services (AWS)
- an
- elemzés
- elemez
- és a
- bármilyen
- api
- Alkalmazás
- alkalmazások
- építészeti
- építészet
- VANNAK
- TERÜLET
- AS
- értékelése
- Eszközök
- társult
- At
- Kísérletek
- bővített
- automatizált
- Automatizált
- automatikusan
- Automatizálás
- AWS
- háttér
- alapján
- BE
- óta
- Előnyök
- kölcsönvevő
- hitelfelvételi
- mindkét
- üzleti
- vállalkozások
- de
- by
- hívott
- kéri
- szoba
- TUD
- Kanada
- elfog
- Rögzítése
- eset
- központi
- kihívások
- kihívást
- változó
- jellemzők
- besorolás
- osztályozott
- osztályoz
- közelebb
- felhő
- gyűjtemény
- szín
- Közös
- képest
- befejezés
- bonyolult
- összetevő
- alkatrészek
- megért
- számítógép
- Számítógépes látás
- fogalmi
- bizalom
- fogyasztó
- tartalmaz
- tartalom
- Költség
- létrehozása
- hitel
- kritikai
- szokás
- Ügyfelek
- szabott
- dátum
- döntés
- Döntéshozatal
- határozatok
- Kereslet
- bizonyítani
- mutatja
- telepíteni
- telepített
- részlet
- részletes
- részletek
- Érzékelés
- különböző
- megvitatni
- dokumentum
- dokumentumok
- csinált
- drasztikusan
- hajtott
- vezetés
- alatt
- minden
- él
- Hatékony
- elem
- választható
- foglalkoztatás
- végén
- végtől végig
- Endpoint
- belépés
- Equifax
- hiba
- becsült
- értékelni
- értékelés
- példa
- Kiváló
- létező
- szakvélemény
- Exploit
- kivonat
- kivonatok
- Funkció
- Jellemzők
- Ábra
- Végül
- pénzügyi
- pénzügyi szolgáltatások
- Rugalmasság
- Összpontosít
- következő
- A
- Kovácsolás
- Alapítvány
- négy
- csalás
- csalások felderítése
- csalók
- csaló
- ból ből
- teljesen
- funkció
- generált
- generáló
- generáció
- kap
- Globális
- útmutatást
- Legyen
- he
- segít
- segít
- segít
- elrejt
- Magas
- magas kockázatú
- kiemelve
- történeti
- vendéglátó
- tárhely
- Hogyan
- How To
- azonban
- http
- HTTPS
- emberi
- azonosítja
- azonosítani
- azonosító
- if
- Illegális
- illusztrálja
- kép
- végre
- végrehajtás
- javul
- in
- tartalmaz
- magában foglalja a
- Jövedelem
- Növelje
- növekvő
- egyre inkább
- mutatók
- ipar
- puffasztószerrel
- információ
- tájékoztatták
- újít
- bemenet
- meglátások
- integrálni
- kamat
- Kamat-
- bele
- behívja
- vonja
- kérdés
- IT
- ITS
- Munka
- jpg
- Kulcs
- tanulás
- hitelezők
- hitelezők
- hitelezési
- Korlátozott
- hitel
- Hitelek
- helyi
- Honosítás
- logika
- Elő/Utó
- alacsonyabb
- gép
- gépi tanulás
- Gyártás
- sikerült
- vezetés
- Manipuláció
- kézikönyv
- kézzel
- maszk
- Lehet..
- eszközök
- mód
- Metrics
- minimalizálása
- enyhítés
- ML
- modell
- modellek
- több
- Jelzálog
- Jelzálog
- a legtöbb
- kell
- igények
- Új
- Zaj
- bejelentés
- kezdők
- tárgy
- kapott
- of
- Ajánlatok
- gyakran
- on
- üzemeltetési
- Művelet
- or
- szervezetek
- keletkezés
- Más
- mi
- teljesítmény
- papírmunka
- rész
- különösen
- Mintás
- minták
- Emberek (People)
- teljesítmény
- személyes
- csővezeték
- pixel
- Plató
- Platón adatintelligencia
- PlatoData
- állás
- potenciális
- jósolt
- előrejelzésére
- előrejelzés
- Tippek
- jósolja
- be
- folyamat
- feldolgozás
- profil
- igazolások
- ad
- szolgáltatók
- jogosultak
- hatótávolság
- kezdve
- Az árak
- kap
- kap
- csökkenteni
- csökkentő
- vidék
- régiók
- kapcsolat
- bizalom
- eltávolítás
- képvisel
- jelentése
- kötelező
- követelmények
- megköveteli,
- kutatás
- Eredmények
- Emelkedik
- Kockázat
- szabályok
- sagemaker
- SageMaker következtetés
- Skála
- forgatókönyvek
- pontszám
- szakaszok
- kiválasztott
- idősebb
- küldött
- Sorozat
- Series of
- szolgáltatás
- Szolgáltatások
- számos
- ő
- előadás
- jelentős
- jelentősen
- Egyszerű
- óta
- megoldások
- Megoldások
- néhány
- forrás
- Hely
- különleges
- sebesség
- szakadások
- Színpad
- állapota
- Állapot
- Lépései
- tárolás
- Stratégia
- erős
- struktúra
- tanulmányok
- ilyen
- javasolja,
- Támogató
- fogékony
- rendszer
- tart
- cél
- technikák
- mondd
- Tesztelés
- hogy
- A
- azok
- Őket
- akkor
- Ezek
- ők
- harmadik fél
- ezt
- ezer
- Keresztül
- idő
- nak nek
- felső
- toronto
- felé
- Nyom
- Vonat
- kiképzett
- Képzések
- Átalakítás
- kiváltó
- típus
- típusok
- megértés
- jegyzési
- használ
- használati eset
- használt
- használó
- segítségével
- ÉRVÉNYESÍT
- érvényesítés
- Értékek
- fajta
- különféle
- Hatalmas
- ellenőrzése
- keresztül
- látomás
- Látogat
- sétált
- hullám
- módon
- we
- háló
- webes szolgáltatások
- amikor
- vajon
- ami
- míg
- lesz
- val vel
- dolgozó
- te
- A te
- zephyrnet