Ahogy egyre több vállalkozás növeli online jelenlétét ügyfelei jobb kiszolgálása érdekében, folyamatosan új csalási minták jelennek meg. A mai, folyamatosan fejlődő digitális környezetben, ahol a csalók egyre kifinomultabb taktikát alkalmaznak, az ilyen csaló tevékenységek felderítése és megelőzése a vállalatok és a pénzintézetek számára kiemelt fontosságúvá vált.
A hagyományos szabályalapú csalásészlelési rendszerek a gyors iteráció képességében korlátozódnak, mivel előre meghatározott szabályokra és küszöbértékekre támaszkodnak a potenciálisan csalárd tevékenységek megjelölésére. Ezek a rendszerek nagyszámú hamis pozitív eredményt generálhatnak, jelentősen növelve a csalócsapat által végzett manuális vizsgálatok számát. Ezenkívül az emberek hajlamosak a hibákra, és korlátozott kapacitásuk van nagy mennyiségű adat feldolgozására, így a kézi erőfeszítések a csalások felderítésére időigényesek, ami csalárd tranzakciók elmulasztását, megnövekedett veszteségeket és jó hírnév-károsodást eredményezhet.
A gépi tanulás (ML) kulcsfontosságú szerepet játszik a csalások felderítésében, mivel gyorsan és pontosan tud nagy mennyiségű adatot elemezni a rendellenes minták és a lehetséges csalási trendek azonosítása érdekében. Az ML csalási modell teljesítménye nagymértékben függ a betanított adatok minőségétől, és különösen a felügyelt modellek esetében a pontos címkézett adatok kulcsfontosságúak. Az ML-ben a modell betanításához szükséges jelentős történelmi adatok hiányát a hidegindítási probléma.
A csalásfelderítés világában a következő néhány hagyományos hidegindítási forgatókönyv:
- Pontos csalási modell felépítése, miközben hiányzik a tranzakciók vagy csalási esetek története
- Pontosan meg tudja különböztetni az új ügyfelek és fiókok jogszerű tevékenységét a csalástól
- Kockázatokat befolyásoló kifizetések olyan címre vagy kedvezményezettre, amelyet a csalási rendszer korábban nem látott
Számos megoldás létezik ezekre a forgatókönyvekre. Használhat például általános modelleket, az úgynevezett „egy mérethez illő” modelleket, amelyeket általában a csalási adatmegosztó platformokon, például csalási konzorciumokon képeznek ki. Ezzel a megközelítéssel az a kihívás, hogy egyetlen üzlet sem egyenlő, és a csalási támadások vektorai folyamatosan változnak.
Egy másik lehetőség egy felügyelet nélküli anomália-észlelési modell használata az ügyfélesemények szokatlan viselkedésének megfigyelésére és felszínre hozatalára. Ezzel a megközelítéssel az a kihívás, hogy nem minden csalási esemény anomália, és nem minden anomália valóban csalás. Ezért magasabb hamis pozitív arányra számíthat.
Ebben a bejegyzésben bemutatjuk, hogyan indíthat el gyorsan egy valós idejű csalásmegelőzési ML modellt, amely legalább 100 eseményt tartalmaz a Amazon csalásészlelő új funkció, Hideg indítás, ezáltal drámaian csökkenti az egyéni ML-modellekbe való belépési korlátot sok olyan szervezet számára, amelyeknek egyszerűen nincs idejük vagy lehetőségük nagy adatkészletek összegyűjtésére és pontos címkézésére. Ezen túlmenően megvitatjuk, hogy az Amazon csalásérzékelő által tárolt események használatával hogyan tekintheti át az eredményeket és helyesen címkézheti fel az eseményeket a modellek átképzéséhez, ezáltal javítva a csalásmegelőzési intézkedések hatékonyságát idővel.
Megoldás áttekintése
Az Amazon Fraud Detector egy teljesen felügyelt csalásészlelő szolgáltatás, amely automatizálja a potenciálisan csalárd tevékenységek online észlelését. Az Amazon Fraud Detector segítségével személyre szabott csalásészlelési modelleket készíthet saját előzményadatkészlete alapján, döntési logikát adhat hozzá a beépített szabálymotor segítségével, és egyetlen gombnyomással megszervezheti a kockázati döntési munkafolyamatokat.
Korábban több mint 10,000 400 címkézett eseményt kellett megadnia legalább 100 csalási példával, hogy kiképezzen egy modellt. A Cold Start funkció megjelenésével gyorsan betaníthat egy olyan modellt, amelynek legalább 50 eseménye van, és legalább 99 csalásnak minősül. A kezdeti adatigényekhez képest ez 87%-os csökkenést jelent a korábbi adatokban és XNUMX%-kal a címkekövetelményekben.
Az új Cold Start funkció intelligens módszereket kínál kis adathalmazok gazdagításához, kiterjesztéséhez és kockázati modellezéséhez. Ezenkívül az Amazon Fraud Detector címke-hozzárendelést és mintavételt végez a címkézetlen eseményekhez.
A nyilvános adatkészletekkel végzett kísérletek azt mutatják, hogy a határok 50 csalásra és csak 100 eseményre való csökkentésével olyan csalási ML modelleket hozhat létre, amelyek folyamatosan felülmúlják a nem felügyelt és félig felügyelt modelleket.
Cold Start modell teljesítménye
Az ML-modell azon képességét, hogy általánosítson és pontos előrejelzéseket készítsen a nem látott adatokról, befolyásolja a betanítási adatkészlet minősége és sokfélesége. A Cold Start modellek esetében sincs ez másként. Folyamatokat kell bevezetni, mivel több adat gyűlik össze ezeknek az eseményeknek a helyes címkézéséhez és a modellek átképzéséhez, ami végső soron a modell optimális teljesítményéhez vezet.
Alacsonyabb adatigény esetén a jelentett teljesítmény instabilitása nő a modell megnövekedett varianciája és a korlátozott tesztadatok mérete miatt. A modellteljesítményre vonatkozó megfelelő elvárások kialakítása érdekében az AUC modell mellett az Amazon Fraud Detector bizonytalansági tartománymérőket is közöl. Az alábbi táblázat ezeket a mérőszámokat határozza meg.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
AUC bizonytalansági intervallum | > 0.3 | A modell teljesítménye nagyon alacsony, és nagymértékben változhat. Alacsony csalásészlelési teljesítményre számíthat. | A modell teljesítménye alacsony, és nagymértékben változhat. Korlátozott csalásészlelési teljesítményre számíthat. | A modell teljesítménye nagymértékben változhat. |
0.1 - 0.3 | A modell teljesítménye nagyon alacsony, és jelentősen eltérhet. Alacsony csalásészlelési teljesítményre számíthat. | A modell teljesítménye alacsony, és jelentősen változhat. Korlátozott csalásészlelési teljesítményre számíthat. | A modell teljesítménye jelentősen eltérhet. | |
<0.1 | A modell teljesítménye nagyon alacsony. Alacsony csalásészlelési teljesítményre számíthat. | A modell teljesítménye alacsony. Korlátozott csalásészlelési teljesítményre számíthat. | Nincs figyelmeztetés |
Tanítsd meg a Cold Start modellt
A Cold Start csalási modell betanítása megegyezik bármely más Amazon Fraud Detector modell betanításával; ami különbözik, az az adatkészlet mérete. A Cold Start képzéshez mintaadatkészleteket találhat nálunk GitHub repó. Az Amazon Fraud Detector egyedi modelljének betanításához kövesse gyakorlatainkat oktatói. Használhatja a Amazon Fraud Detector konzol oktatóanyaga vagy a SDK oktatóanyag csalásfelderítési modell felépítéséhez, betanításához és telepítéséhez.
A modell betanítása után áttekintheti a teljesítménymutatókat, majd üzembe helyezheti az állapotának módosításával Aktív. Ha többet szeretne megtudni a modell pontszámairól és teljesítménymutatóiról, lásd: Modell pontszámok és a Modell teljesítménymutatói. Ezen a ponton most már hozzáadhatja a modelljét az érzékelőhöz, add hozzá üzleti szabályok értelmezni a modell által kiadott kockázati pontszámokat, és valós idejű előrejelzéseket készíteni a segítségével GetEventPrediction API.
A csalás ML modell folyamatos fejlesztése és visszacsatolási kör
Az Amazon Fraud Detector Cold Start funkciójával gyorsan elindíthatja a csalásérzékelő végpontját, és azonnal megkezdheti vállalkozása védelmét. Azonban folyamatosan új csalási minták jelennek meg, ezért kritikus fontosságú a Cold Start modellek átképzése újabb adatokkal, hogy idővel javítsák az előrejelzések pontosságát és hatékonyságát.
A modellek iterációjának megkönnyítése érdekében az Amazon Fraud Detector automatikusan tárolja a szolgáltatásnak küldött összes eseményt következtetés céljából. A következő képernyőképen látható módon módosíthatja vagy érvényesítheti, hogy az eseményfeldolgozási jelző be van-e kapcsolva az eseménytípus szintjén.
A tárolt események funkcióval az Amazon Fraud Detector SDK segítségével programozottan hozzáférhet egy eseményhez, áttekintheti az esemény metaadatait és az előrejelzés magyarázatát, és megalapozott kockázati döntést hozhat. Sőt, felcímkézheti az eseményt a jövőbeni modell-átképzés és a modell folyamatos fejlesztése érdekében. A következő diagram egy példát mutat erre a munkafolyamatra.
A következő kódrészletekben bemutatjuk a tárolt események címkézésének folyamatát:
- Ha valós idejű csalási előrejelzést szeretne készíteni egy eseményen, hívja a GetEventPrediction API-t:
Amint az a válaszból látható, a döntési motor egyező szabálya alapján az eseményt el kell küldeni a csalócsapatnak manuális felülvizsgálatra. Az előrejelzés magyarázatának metaadatainak összegyűjtésével betekintést nyerhet abba, hogy az egyes eseményváltozók hogyan befolyásolták a modell csalás-előrejelzési pontszámát.
- Ezen ismeretek összegyűjtéséhez a
get_event_prediction_metada
API-k:
API válasz:
Ezekkel a betekintésekkel a csaláselemző megalapozott kockázati döntést hozhat a kérdéses eseménnyel kapcsolatban, és frissítheti az eseménycímkét.
- Az eseménycímke frissítéséhez hívja a
update_event_label
API-k:
API válasz
Utolsó lépésként ellenőrizheti, hogy az eseménycímkét megfelelően frissítette-e.
- Az eseménycímke ellenőrzéséhez hívja a
get_event
API-k:
API válasz
Tisztítsuk meg
A jövőbeni költségek elkerülése érdekében törölje a megoldáshoz létrehozott erőforrásokat.
Következtetés
Ez a bejegyzés bemutatta, hogyan indíthat el gyorsan egy valós idejű csalásmegelőzési rendszert néhány száz eseménnyel az Amazon Fraud Detector új Cold Start funkciójával. Megbeszéltük, hogyan használhatja a tárolt eseményeket az eredmények áttekintésére és az események helyes címkézésére, valamint a modellek átképzésére, ezáltal javítva a csalásmegelőzési intézkedések hatékonyságát idővel.
A teljesen felügyelt AWS-szolgáltatások, mint például az Amazon Fraud Detector, segítenek csökkenteni azt az időt, amelyet a vállalkozások a felhasználói viselkedés elemzésével töltenek, hogy azonosítsák a platformjukon előforduló csalásokat, és jobban összpontosítsanak az üzleti érték növelésére. Ha többet szeretne megtudni arról, hogy az Amazon Fraud Detector hogyan segítheti vállalkozását, látogasson el a webhelyre Amazon csalásészlelő.
A szerzőkről
Marcel Pividal a Global Sr. AI Services Solutions Architect a World-Wide Specialist Organizationnél. Marcel több mint 20 éves tapasztalattal rendelkezik üzleti problémák megoldásában a technológián keresztül a FinTechek, a fizetési szolgáltatók, a gyógyszerészek és a kormányzati szervek számára. Jelenlegi területe a kockázatkezelés, a csalásmegelőzés és a személyazonosság-ellenőrzés.
Julia Xu az Amazon Fraud Detector kutatója. Szenvedélyesen foglalkozik az ügyfelek kihívásainak gépi tanulási technikák segítségével történő megoldásával. Szabadidejében szívesen túrázik, fest, és új kávézókat fedez fel.
Guilherme Ricci az AWS vezető megoldástervezője, aki segít az induló vállalkozásoknak alkalmazásaik korszerűsítésében és költségeinek optimalizálásában. Több mint 10 éves tapasztalattal rendelkezik a pénzügyi szektor vállalatainál, jelenleg az AI/ML specialisták csapatával dolgozik együtt.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :van
- :is
- :nem
- :ahol
- 000
- 1
- 10
- 100
- 20
- 20 év
- 200
- 39
- 50
- 7
- 8
- 9
- a
- képesség
- Képes
- Rólunk
- hozzáférés
- pontosság
- pontos
- pontosan
- tevékenységek
- tevékenység
- cím
- ügynökségek
- AI
- AI szolgáltatások
- AI / ML
- Minden termék
- Is
- amazon
- Amazon csalásészlelő
- között
- Összegek
- an
- elemző
- elemez
- elemzése
- és a
- anomália észlelése
- bármilyen
- api
- alkalmazások
- megközelítés
- VANNAK
- területek
- AS
- At
- támadás
- automaták
- automatikusan
- AWS
- korlát
- alapján
- BE
- mert
- válik
- egyre
- előtt
- kedvezményezett
- Jobb
- Bootstrap
- épít
- beépített
- üzleti
- vállalkozások
- gomb
- by
- hívás
- hívott
- TUD
- Kapacitás
- kihívás
- kihívások
- változik
- változó
- díjak
- osztályozott
- kettyenés
- kód
- Kávé
- gyűjt
- COM
- Companies
- képest
- Konzol
- állandóan
- kontextus
- folyamatos
- kiadások
- készítette
- kritikai
- kritikus
- Jelenlegi
- Jelenleg
- szokás
- vevő
- Ügyfelek
- szabott
- dátum
- adatmegosztás
- adatkészletek
- döntés
- Annak meghatározása,
- bizonyítani
- igazolták
- telepíteni
- Érzékelés
- különböző
- digitális
- megvitatni
- tárgyalt
- különbséget tesz
- Sokféleség
- do
- ne
- drámaian
- vezetés
- minden
- hatékonyság
- erőfeszítések
- bármelyik
- csiszolókő
- Endpoint
- Motor
- gazdagító
- Szervezetek
- belépés
- értékelések
- esemény
- események
- példa
- példák
- vár
- várakozás
- tapasztalat
- magyarázat
- Feltárása
- kiterjedő
- hamis
- Funkció
- Visszacsatolás
- kevés
- utolsó
- pénzügyi
- Pénzintézetek
- Pénzügyi szektor
- Találjon
- fintechs
- Összpontosít
- következik
- következő
- A
- csalás
- csalások felderítése
- CSALÁSMEGELŐZÉS
- csalók
- csaló
- csalárd tevékenység
- Ingyenes
- ból ből
- teljesen
- Továbbá
- jövő
- Nyereség
- gyűjtése
- generál
- Globális
- Kormány
- nagymértékben
- hands-on
- Legyen
- he
- súlyosan
- segít
- segít
- <p></p>
- történeti
- történelem
- Hogyan
- azonban
- HTML
- HTTPS
- Az emberek
- identiques
- azonosítani
- Identitás
- Azonosító igazolás
- azonnal
- befolyásolta
- javul
- javulás
- javuló
- in
- Növelje
- <p></p>
- Növeli
- növekvő
- tájékoztatták
- kezdetben
- meglátások
- instabilitás
- intézmények
- Intelligens
- bele
- Laboratóriumi vizsgálatok eredményei
- IP
- IT
- ITS
- jpg
- ismert
- Címke
- hiány
- táj
- nagy
- vezető
- TANUL
- tanulás
- szint
- mint
- Korlátozott
- határértékek
- kis
- veszteség
- Elő/Utó
- leeresztés
- gép
- gépi tanulás
- csinál
- Gyártás
- sikerült
- vezetés
- kézikönyv
- sok
- párosított
- intézkedések
- Metaadatok
- mód
- Metrics
- esetleg
- minimum
- ML
- modell
- modellek
- korszerűsítésére
- monitor
- több
- Ráadásul
- többszörös
- név
- Új
- Most
- szám
- of
- on
- online
- csak
- optimálisan
- Optimalizálja
- opció
- or
- szervezet
- szervezetek
- Más
- mi
- teljesítményben felülmúl
- felett
- Overcome
- saját
- Legfőbb
- szenvedélyes
- minták
- fizetés
- fizetési szolgáltatók
- kifizetések
- teljesítmény
- Előadja
- Pharma
- Hely
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- pozitív
- lehetséges
- állás
- potenciálisan
- előrejelzés
- Tippek
- jelenlét
- megakadályozása
- Megelőzés
- problémák
- folyamat
- Folyamatok
- védelme
- ad
- szolgáltatók
- biztosít
- nyilvános
- világítás
- kérdés
- gyorsan
- hatótávolság
- Az árak
- real-time
- csökkenteni
- engedje
- Számolt
- Jelentések
- követelmény
- követelmények
- kutatás
- Tudástár
- válasz
- eredményez
- Eredmények
- Kritika
- Kockázat
- kockázatkezelés
- Szerep
- Szabály
- szabályok
- forgatókönyvek
- Tudós
- pontszám
- sdk
- szektor
- idősebb
- szolgál
- szolgáltatás
- Szolgáltatások
- Szettek
- megosztás
- üzletek
- kellene
- előadás
- mutatott
- Műsorok
- jelentős
- jelentősen
- egyszerűen
- Méret
- kicsi
- So
- megoldások
- Megoldások
- SOLVE
- Megoldása
- néhány
- kifinomult
- szakember
- szakemberek
- kifejezetten
- költ
- kezdet
- Startups
- Állapot
- Lépés
- memorizált
- árnyékolók
- ilyen
- felületi
- rendszer
- Systems
- táblázat
- taktika
- csapat
- technikák
- Technológia
- teszt
- mint
- hogy
- A
- a világ
- azok
- ezáltal
- ebből adódóan
- Ezek
- ők
- ezt
- Keresztül
- idő
- időigényes
- nak nek
- mai
- együtt
- felső
- hagyományos
- Vonat
- kiképzett
- Képzések
- Tranzakciók
- Trends
- jellemzően
- Végül
- Bizonytalanság
- Frissítések
- frissítve
- használ
- használó
- segítségével
- ÉRVÉNYESÍT
- érték
- Igazolás
- ellenőrzése
- Látogat
- kötet
- kötetek
- volt
- módon
- we
- Mit
- ami
- míg
- val vel
- munkafolyamatok
- dolgozó
- világ
- év
- te
- A te
- zephyrnet