Automate Document Validation And Fraud Detection In The Mortgage Underwriting Process Using AWS AI Services: Part 1

Újra kiadta Platón

Követő: 0

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.

Automate document validation and fraud detection in the mortgage underwriting process using AWS AI services: Part 1 | Amazon Web Services PlatoBlockchain Data Intelligence. Vertical Search. Ai. 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.