Mengotomatiskan Validasi Dokumen Dan Deteksi Penipuan Dalam Proses Penjaminan Hipotek Menggunakan Layanan AWS AI: Bagian 1

Diterbitkan Ulang Oleh Plato

Followers: 0

Dalam seri tiga bagian ini, kami menyajikan solusi yang menunjukkan bagaimana Anda dapat mengotomatisasi pendeteksian perusakan dokumen dan penipuan dalam skala besar menggunakan layanan AWS AI dan pembelajaran mesin (ML) untuk kasus penggunaan underwriting hipotek.

Solusi ini mengikuti gelombang global yang lebih signifikan dari peningkatan penipuan hipotek, yang semakin memburuk karena semakin banyak orang memberikan bukti penipuan untuk memenuhi syarat untuk mendapatkan pinjaman. Data menunjukkan aktivitas penipuan hipotek berisiko tinggi dan dugaan penipuan sedang meningkat, mencatat peningkatan 52% dalam aplikasi hipotek penipuan yang dicurigai sejak 2013. (Sumber: equifax)

Bagian 1 dari seri ini membahas tantangan paling umum yang terkait dengan proses peminjaman manual. Kami memberikan panduan konkret untuk mengatasi masalah ini dengan layanan AI dan ML AWS untuk mendeteksi perusakan dokumen, mengidentifikasi dan mengkategorikan pola skenario penipuan, dan mengintegrasikan dengan aturan yang ditentukan bisnis sambil meminimalkan keahlian manusia untuk deteksi penipuan.

Di Bagian 2, kami mendemonstrasikan cara melatih dan menghosting model visi komputer untuk deteksi perusakan dan pelokalan Amazon SageMaker. Di Bagian 3, kami menunjukkan cara mengotomatiskan pendeteksian penipuan dalam dokumen hipotek dengan model ML dan aturan yang ditentukan bisnis menggunakan Detektor Penipuan Amazon.

Tantangan yang terkait dengan proses pinjaman manual

Organisasi dalam industri pinjaman dan hipotek menerima ribuan aplikasi, mulai dari aplikasi hipotek baru hingga pembiayaan kembali hipotek yang sudah ada. Dokumen-dokumen ini semakin rentan terhadap penipuan dokumen karena penipu mencoba mengeksploitasi sistem dan memenuhi syarat untuk mendapatkan hipotek dengan beberapa cara ilegal. Agar memenuhi syarat untuk hipotek, pemohon harus memberikan pemberi pinjaman dokumen yang memverifikasi pekerjaan, aset, dan hutang mereka. Mengubah aturan pinjaman dan suku bunga dapat secara drastis mengubah keterjangkauan kredit pemohon. Penipu berkisar dari pemula yang melakukan kesalahan hingga master yang hampir sempurna saat membuat dokumen aplikasi pinjaman palsu. Dokumen penipuan termasuk tetapi tidak terbatas pada mengubah atau memalsukan slip gaji, menggelembungkan informasi tentang pendapatan, salah mengartikan status pekerjaan, dan memalsukan surat kerja dan dokumen penjaminan hipotek penting lainnya. Upaya penipuan ini dapat menjadi tantangan bagi pemberi pinjaman hipotek untuk ditangkap.

Tantangan signifikan yang terkait dengan proses pinjaman manual termasuk namun tidak terbatas pada:

Perlunya peminjam untuk mengunjungi cabang
Biaya operasional
Kesalahan entri data
Otomatisasi dan waktu penyelesaian

Terakhir, proses underwriting, atau analisis kelayakan kredit dan keputusan pinjaman, membutuhkan waktu tambahan jika dilakukan secara manual. Sekali lagi, proses peminjaman konsumen secara manual memiliki beberapa keuntungan, seperti menyetujui pinjaman yang memerlukan pertimbangan manusia. Solusi tersebut akan memberikan otomatisasi dan mitigasi risiko dalam penjaminan KPR yang akan membantu mengurangi waktu dan biaya dibandingkan dengan proses manual.

Ikhtisar solusi

Validasi dokumen adalah jenis masukan penting untuk keputusan penipuan hipotek. Memahami profil risiko dari dokumen hipotek pendukung dan mendorong wawasan dari data ini dapat meningkatkan keputusan risiko secara signifikan dan merupakan inti dari strategi manajemen penipuan penjamin emisi mana pun.

Diagram berikut mewakili setiap tahap dalam pipa deteksi penipuan dokumen hipotek. Kami menelusuri setiap tahapan ini dan bagaimana tahapan tersebut membantu akurasi underwriting (dimulai dengan menangkap dokumen untuk mengklasifikasikan dan mengekstrak konten yang diperlukan), mendeteksi dokumen yang dirusak, dan terakhir menggunakan model ML untuk mendeteksi potensi penipuan yang diklasifikasikan menurut aturan yang digerakkan oleh bisnis.

Pada bagian berikut, kami membahas tahapan proses secara rinci.

Klasifikasi dokumen

Dengan pemrosesan dokumen cerdas (IDP), kami dapat secara otomatis memproses dokumen keuangan menggunakan layanan AWS AI seperti Teks Amazon dan Amazon Comprehend.

Selain itu, kami dapat menggunakan Amazon Texttract Analyze Lending API dalam memproses dokumen hipotek. Analisis Pinjaman menggunakan model ML terlatih untuk secara otomatis mengekstrak, mengklasifikasikan, dan memvalidasi informasi dalam dokumen terkait hipotek dengan kecepatan dan akurasi tinggi sekaligus mengurangi kesalahan manusia. Seperti yang digambarkan pada gambar berikut, Analisis Pinjaman menerima dokumen pinjaman dan kemudian membaginya menjadi beberapa halaman, mengklasifikasikannya sesuai dengan jenis dokumen. Halaman dokumen kemudian secara otomatis dirutekan ke operasi pemrosesan teks Amazon Textract untuk ekstraksi dan analisis data yang akurat.

Analyze Lending API menawarkan manfaat berikut:

Pemrosesan paket hipotek end-to-end otomatis
Model ML terlatih di berbagai jenis dokumen dalam paket aplikasi hipotek
Kemampuan untuk menskalakan sesuai permintaan dan mengurangi ketergantungan pada peninjau manusia
Pengambilan keputusan yang lebih baik dan biaya operasi yang jauh lebih rendah

Deteksi perusakan

Kami menggunakan model visi komputer yang diterapkan di SageMaker untuk solusi deteksi dan pelokalan gambar end-to-end kami, yang berarti dibutuhkan gambar pengujian sebagai masukan dan memprediksi kemungkinan pemalsuan tingkat piksel sebagai keluaran.

Sebagian besar studi penelitian berfokus pada empat teknik pemalsuan gambar: splicing, copy-move, removal, dan enhancement. Baik splicing dan copy-move melibatkan penambahan konten gambar ke gambar target (palsu). Namun, konten yang ditambahkan diperoleh dari gambar yang berbeda dalam penyambungan. Dalam copy-move, itu dari gambar target. Penghapusan, atau pengecatan ulang, menghapus wilayah gambar yang dipilih (misalnya, menyembunyikan objek) dan mengisi ruang dengan nilai piksel baru yang diperkirakan dari latar belakang. Terakhir, peningkatan gambar adalah kumpulan besar manipulasi lokal, seperti penajaman, kecerahan, dan penyesuaian.

Bergantung pada karakteristik pemalsuan, petunjuk yang berbeda dapat digunakan sebagai dasar untuk deteksi dan lokalisasi. Petunjuk ini termasuk artefak kompresi JPEG, inkonsistensi tepi, pola derau, konsistensi warna, kesamaan visual, konsistensi EXIF, dan model kamera. Namun, pemalsuan di kehidupan nyata lebih kompleks dan seringkali menggunakan rangkaian manipulasi untuk menyembunyikan pemalsuan tersebut. Sebagian besar metode yang ada berfokus pada pendeteksian tingkat citra, apakah suatu citra dipalsukan atau tidak, dan bukan pada pelokalan atau penyorotan area palsu dari citra dokumen untuk membantu penjamin emisi dalam membuat keputusan yang tepat.

Kami membahas detail penerapan pelatihan dan menghosting model visi komputer untuk deteksi perusakan dan pelokalan di SageMaker di Bagian 2 seri ini. Arsitektur konseptual model berbasis CNN digambarkan dalam diagram berikut. Model mengekstraksi fitur jejak manipulasi gambar untuk gambar pengujian dan mengidentifikasi wilayah anomali dengan menilai seberapa berbeda fitur lokal dari fitur referensinya. Ini mendeteksi piksel yang dipalsukan dengan mengidentifikasi fitur anomali lokal sebagai topeng yang diprediksi dari gambar pengujian.

Deteksi penipuan

Kami menggunakan Amazon Fraud Detector, layanan AI yang dikelola sepenuhnya, untuk mengotomatiskan pembuatan, evaluasi, dan deteksi aktivitas penipuan. Hal ini dicapai dengan membuat prediksi penipuan berdasarkan data yang diambil dari dokumen hipotek terhadap model penipuan ML yang dilatih dengan data historis (penipuan) pelanggan. Anda dapat menggunakan prediksi tersebut untuk memicu aturan bisnis sehubungan dengan keputusan penjaminan emisi.

Mendefinisikan logika prediksi penipuan melibatkan komponen berikut:

Jenis acara - Tentukan struktur acara
Model – Tentukan algoritme dan persyaratan data untuk memprediksi penipuan
Variabel – Mewakili elemen data yang terkait dengan peristiwa deteksi penipuan
Peraturan – Beri tahu Amazon Fraud Detector cara menginterpretasikan nilai variabel selama prediksi penipuan
Hasil – Hasil yang dihasilkan dari prediksi penipuan
Versi detektor – Berisi logika prediksi penipuan untuk peristiwa deteksi penipuan

Diagram berikut mengilustrasikan arsitektur komponen ini.

Setelah menerapkan model, Anda dapat mengevaluasi skor dan metrik performanya berdasarkan penjelasan prediksi. Ini membantu mengidentifikasi indikator risiko teratas dan menganalisis pola penipuan di seluruh data.

Validasi pihak ketiga

Kami mengintegrasikan solusi dengan penyedia pihak ketiga (melalui API) untuk memvalidasi informasi yang diambil dari dokumen, seperti informasi pribadi dan pekerjaan. Ini sangat berguna untuk memvalidasi silang detail selain deteksi perusakan dokumen dan deteksi penipuan berdasarkan pola historis aplikasi.

Diagram arsitektur berikut mengilustrasikan pipeline deteksi penipuan berorientasi batch dalam pemrosesan aplikasi hipotek menggunakan berbagai layanan AWS.

Alur kerja meliputi langkah-langkah berikut:

Pengguna mengunggah dokumen yang dipindai ke Layanan Penyimpanan Sederhana Amazon (Amazon S3).
Unggahan tersebut memicu AWS Lambda function (Aktifkan Analisis Dokumen) yang memanggil Amazon Texttract API untuk ekstraksi teks. Selain itu, kami dapat menggunakan Amazon Texttract Analyze Lending API untuk mengekstrak, mengklasifikasikan, dan memvalidasi informasi secara otomatis.
Setelah ekstraksi teks selesai, pemberitahuan dikirim melalui Layanan Pemberitahuan Sederhana Amazon (Amazon SNS).
Notifikasi memicu fungsi Lambda (Dapatkan Analisis Dokumen), yang memanggil Amazon Comprehend untuk klasifikasi dokumen kustom.
Hasil analisis dokumen yang memiliki skor kepercayaan rendah untuk diteruskan ke peninjau manusia menggunakan Amazon Augmented AI (Amazon A2I).
Keluaran dari Amazon Textract dan Amazon Comprehend digabungkan menggunakan fungsi Lambda (Analisis & Klasifikasi Dokumen).
Titik akhir inferensi SageMaker dipanggil untuk topeng prediksi penipuan dari dokumen masukan.
Amazon Fraud Detector dipanggil untuk skor prediksi penipuan menggunakan data yang diambil dari dokumen hipotek.
Hasil dari Amazon Fraud Detector dan titik akhir inferensi SageMaker digabungkan ke dalam aplikasi originasi pinjaman.
Status pekerjaan pemrosesan dokumen dilacak Amazon DynamoDB.

Kesimpulan

Posting ini berjalan melalui solusi otomatis untuk mendeteksi perusakan dokumen dan penipuan dalam proses penjaminan hipotek menggunakan Amazon Fraud Detector dan layanan Amazon AI dan ML lainnya. Solusi ini memungkinkan Anda untuk mendeteksi upaya penipuan lebih dekat dengan waktu terjadinya penipuan dan membantu penjamin emisi dengan proses pengambilan keputusan yang efektif. Fleksibilitas implementasi memungkinkan Anda menentukan aturan berbasis bisnis untuk mengklasifikasikan dan menangkap upaya penipuan yang disesuaikan dengan kebutuhan bisnis tertentu.

Di Bagian 2 seri ini, kami menyediakan detail penerapan untuk mendeteksi perusakan dokumen menggunakan SageMaker. Di Bagian 3, kami mendemonstrasikan cara menerapkan solusi di Amazon Fraud Detector.

Tentang penulis

Anup Ravindranath adalah Arsitek Solusi Senior di Amazon Web Services (AWS) yang berbasis di Toronto, Kanada, bekerja dengan organisasi Layanan Keuangan. Dia membantu pelanggan mengubah bisnis mereka dan berinovasi di cloud.

Otomatiskan validasi dokumen dan deteksi penipuan dalam proses penjaminan hipotek menggunakan layanan AWS AI: Bagian 1 | Kecerdasan Data PlatoBlockchain Layanan Web Amazon. Pencarian Vertikal. Ai. Vinnie Saini adalah Arsitek Solusi Senior di Amazon Web Services (AWS) yang berbasis di Toronto, Kanada. Dia telah membantu pelanggan Layanan Keuangan bertransformasi di cloud, dengan solusi berbasis AI dan ML yang diletakkan di atas pilar dasar Keunggulan Arsitektur yang kuat.