Karena semakin banyak bisnis meningkatkan kehadiran online mereka untuk melayani pelanggan mereka dengan lebih baik, pola penipuan baru terus bermunculan. Dalam lanskap digital yang terus berkembang saat ini, di mana penipu menjadi lebih canggih dalam taktik mereka, mendeteksi dan mencegah aktivitas penipuan semacam itu menjadi hal yang terpenting bagi perusahaan dan lembaga keuangan.
Sistem deteksi penipuan berbasis aturan tradisional terbatas pada kemampuannya untuk mengulang dengan cepat karena mereka mengandalkan aturan dan ambang batas yang telah ditentukan sebelumnya untuk menandai aktivitas penipuan yang berpotensi. Sistem ini dapat menghasilkan positif palsu dalam jumlah besar, yang secara signifikan meningkatkan volume investigasi manual yang dilakukan oleh tim penipuan. Selain itu, manusia juga rawan kesalahan dan memiliki kapasitas terbatas untuk memproses data dalam jumlah besar, melakukan upaya manual untuk mendeteksi penipuan yang memakan waktu, yang dapat mengakibatkan transaksi penipuan yang terlewatkan, peningkatan kerugian, dan rusaknya reputasi.
Machine learning (ML) memainkan peran penting dalam mendeteksi penipuan karena dapat dengan cepat dan akurat menganalisis volume data yang besar untuk mengidentifikasi pola anomali dan kemungkinan tren penipuan. Performa model penipuan ML sangat bergantung pada kualitas data yang dilatihnya, dan, khusus untuk model yang diawasi, data berlabel yang akurat sangatlah penting. Di ML, kurangnya data historis yang signifikan untuk melatih model disebut masalah mulai dingin.
Dalam dunia deteksi penipuan, berikut adalah beberapa skenario cold start tradisional:
- Membangun model penipuan yang akurat tanpa riwayat transaksi atau kasus penipuan
- Mampu membedakan secara akurat aktivitas yang sah dari penipuan untuk pelanggan dan akun baru
- Pembayaran pengambilan keputusan risiko ke alamat atau penerima yang belum pernah terlihat sebelumnya oleh sistem penipuan
Ada beberapa cara untuk menyelesaikan skenario ini. Misalnya, Anda dapat menggunakan model umum, yang dikenal sebagai model satu ukuran cocok untuk semua, yang biasanya dilatih di atas platform berbagi data penipuan seperti konsorsium penipuan. Tantangan dengan pendekatan ini adalah tidak ada bisnis yang setara, dan vektor serangan penipuan terus berubah.
Pilihan lainnya adalah menggunakan model deteksi anomali tanpa pengawasan untuk memantau dan menampilkan perilaku yang tidak biasa di antara peristiwa pelanggan. Tantangan dengan pendekatan ini adalah bahwa tidak semua kejadian penipuan adalah anomali, dan tidak semua anomali memang merupakan penipuan. Oleh karena itu, Anda dapat mengharapkan tingkat positif palsu yang lebih tinggi.
Dalam postingan ini, kami menunjukkan bagaimana Anda dapat dengan cepat mem-bootstrap model ML pencegahan penipuan waktu-nyata dengan sedikitnya 100 peristiwa menggunakan Detektor Penipuan Amazon fitur baru, Mulai Dingin, sehingga secara dramatis menurunkan penghalang untuk masuk ke model ML khusus bagi banyak organisasi yang tidak memiliki waktu atau kemampuan untuk mengumpulkan dan memberi label secara akurat kumpulan data besar. Selain itu, kami membahas bagaimana dengan menggunakan peristiwa tersimpan Amazon Fraud Detector, Anda dapat meninjau hasil dan memberi label dengan benar pada peristiwa untuk melatih kembali model Anda, sehingga meningkatkan efektivitas tindakan pencegahan penipuan dari waktu ke waktu.
Ikhtisar solusi
Amazon Fraud Detector adalah layanan deteksi penipuan terkelola sepenuhnya yang mengotomatiskan pendeteksian potensi aktivitas penipuan secara online. Anda dapat menggunakan Amazon Fraud Detector untuk membuat model deteksi penipuan yang disesuaikan menggunakan kumpulan data historis Anda sendiri, menambahkan logika keputusan menggunakan mesin aturan bawaan, dan mengatur alur kerja keputusan risiko dengan mengklik tombol.
Sebelumnya, Anda harus menyediakan lebih dari 10,000 acara berlabel dengan setidaknya 400 contoh penipuan untuk melatih model. Dengan dirilisnya fitur Cold Start, Anda dapat dengan cepat melatih model dengan minimal 100 peristiwa dan setidaknya 50 yang tergolong penipuan. Dibandingkan dengan persyaratan data awal, ini merupakan pengurangan 99% pada data historis dan pengurangan 87% pada persyaratan label.
Fitur Cold Start baru menyediakan metode cerdas untuk memperkaya, memperluas, dan memodelkan kumpulan data kecil yang berisiko. Selain itu, Amazon Fraud Detector melakukan penetapan label dan pengambilan sampel untuk peristiwa tanpa label.
Eksperimen yang dilakukan dengan kumpulan data publik menunjukkan bahwa, dengan menurunkan batas hingga 50 penipuan dan hanya 100 peristiwa, Anda dapat membuat model ML penipuan yang secara konsisten mengungguli model yang tidak diawasi dan semi-diawasi.
Performa model Cold Start
Kemampuan model ML untuk menggeneralisasi dan membuat prediksi yang akurat pada data yang tidak terlihat dipengaruhi oleh kualitas dan keragaman set data pelatihan. Untuk model Cold Start, ini tidak berbeda. Anda harus memiliki proses karena lebih banyak data dikumpulkan untuk memberi label peristiwa ini dengan benar dan melatih ulang model, yang pada akhirnya menghasilkan kinerja model yang optimal.
Dengan persyaratan data yang lebih rendah, ketidakstabilan kinerja yang dilaporkan meningkat karena varian model yang meningkat dan ukuran data uji yang terbatas. Untuk membantu Anda membangun ekspektasi kinerja model yang tepat, selain model AUC, Amazon Fraud Detector juga melaporkan metrik rentang ketidakpastian. Tabel berikut menentukan metrik ini.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
interval ketidakpastian AUC | > 0.3 | Performa model sangat rendah dan mungkin sangat bervariasi. Harapkan kinerja deteksi penipuan yang rendah. | Performa model rendah dan mungkin sangat bervariasi. Harapkan kinerja deteksi penipuan yang terbatas. | Performa model mungkin sangat bervariasi. |
0.1 - 0.3 | Performa model sangat rendah dan mungkin sangat bervariasi. Harapkan kinerja deteksi penipuan yang rendah. | Performa model rendah dan mungkin sangat bervariasi. Harapkan kinerja deteksi penipuan yang terbatas. | Performa model mungkin sangat bervariasi. | |
<0.1 | Performa model sangat rendah. Harapkan kinerja deteksi penipuan yang rendah. | Performa modelnya rendah. Harapkan kinerja deteksi penipuan yang terbatas. | Tanpa peringatan |
Latih model Cold Start
Melatih model penipuan Cold Start identik dengan melatih model Amazon Fraud Detector lainnya; yang membedakan adalah ukuran datasetnya. Anda dapat menemukan kumpulan data sampel untuk pelatihan Cold Start di kami Repo GitHub. Untuk melatih model khusus Amazon Fraud Detector, Anda dapat mengikuti latihan langsung kami tutorial. Anda dapat menggunakan Tutorial konsol Amazon Fraud Detector atau itu tutorial SDK untuk membangun, melatih, dan menggunakan model deteksi penipuan.
Setelah model Anda dilatih, Anda dapat meninjau metrik kinerja, lalu menerapkannya dengan mengubah statusnya menjadi Aktif. Untuk mempelajari skor model dan metrik performa lebih lanjut, lihat Skor model dan Model metrik kinerja. Pada titik ini, Anda sekarang dapat menambahkan model Anda ke detektor Anda, tambahkan aturan bisnis untuk menginterpretasikan skor risiko yang dihasilkan model, dan membuat prediksi waktu nyata menggunakan DapatkanPrediksi Acara API.
Model Fraud ML peningkatan berkelanjutan dan loop umpan balik
Dengan fitur Amazon Fraud Detector Cold Start, Anda dapat dengan cepat mem-bootstrap titik akhir pendeteksi penipuan dan segera mulai melindungi bisnis Anda. Namun, pola penipuan baru terus muncul, jadi sangat penting untuk melatih ulang model Cold Start dengan data yang lebih baru untuk meningkatkan akurasi dan efektivitas prediksi dari waktu ke waktu.
Untuk membantu Anda melakukan iterasi pada model Anda, Amazon Fraud Detector secara otomatis menyimpan semua kejadian yang dikirim ke layanan untuk inferensi. Anda dapat mengubah atau memvalidasi flag penyerapan peristiwa aktif di tingkat jenis peristiwa, seperti yang ditunjukkan pada tangkapan layar berikut.
Dengan fitur kejadian tersimpan, Anda dapat menggunakan Amazon Fraud Detector SDK untuk mengakses kejadian secara terprogram, meninjau metadata kejadian dan penjelasan prediksi, dan membuat keputusan risiko yang tepat. Selain itu, Anda dapat memberi label acara untuk pelatihan ulang model mendatang dan peningkatan model berkelanjutan. Diagram berikut menunjukkan contoh alur kerja ini.
Dalam cuplikan kode berikut, kami mendemonstrasikan proses untuk melabeli peristiwa tersimpan:
- Untuk melakukan prediksi penipuan secara real-time pada suatu peristiwa, hubungi GetEventPrediction API:
Seperti yang terlihat pada tanggapan, berdasarkan aturan mesin keputusan yang cocok, peristiwa tersebut harus dikirim untuk ditinjau secara manual oleh tim penipuan. Dengan mengumpulkan metadata penjelasan prediksi, Anda dapat memperoleh wawasan tentang bagaimana setiap variabel peristiwa memengaruhi skor prediksi penipuan model.
- Untuk mengumpulkan wawasan ini, kami menggunakan
get_event_prediction_metada
Lebah:
Tanggapan API:
Dengan wawasan ini, analis kecurangan dapat membuat keputusan risiko yang terinformasi tentang peristiwa yang dipermasalahkan dan memperbarui label peristiwa.
- Untuk memperbarui label acara, panggil
update_event_label
Lebah:
Tanggapan API
Sebagai langkah terakhir, Anda dapat memverifikasi apakah label peristiwa telah diperbarui dengan benar.
- Untuk memverifikasi label peristiwa, hubungi
get_event
Lebah:
Tanggapan API
Membersihkan
Untuk menghindari timbulnya biaya di masa mendatang, hapus sumber daya yang dibuat untuk solusi tersebut.
Kesimpulan
Posting ini menunjukkan bagaimana Anda dapat dengan cepat mem-bootstrap sistem pencegahan penipuan waktu nyata dengan sedikitnya 100 kejadian menggunakan fitur Cold Start baru dari Amazon Fraud Detector. Kami membahas bagaimana Anda dapat menggunakan peristiwa tersimpan untuk meninjau hasil dan memberi label peristiwa dengan benar dan melatih ulang model Anda, meningkatkan efektivitas tindakan pencegahan penipuan dari waktu ke waktu.
Layanan AWS yang terkelola sepenuhnya seperti Amazon Fraud Detector membantu mengurangi waktu yang dihabiskan bisnis untuk menganalisis perilaku pengguna untuk mengidentifikasi penipuan di platform mereka dan lebih fokus untuk mendorong nilai bisnis. Untuk mempelajari selengkapnya tentang bagaimana Amazon Fraud Detector dapat membantu bisnis Anda, kunjungi Pendeteksi Penipuan Amazon.
Tentang Penulis
Marcel Pividal adalah Arsitek Solusi Layanan Global Sr. AI di World-Wide Specialist Organization. Marcel memiliki lebih dari 20 tahun pengalaman memecahkan masalah bisnis melalui teknologi untuk FinTech, penyedia pembayaran, farmasi, dan lembaga pemerintah. Bidang fokusnya saat ini adalah manajemen risiko, pencegahan penipuan, dan verifikasi identitas.
Julia Xu adalah Ilmuwan Riset dengan Amazon Fraud Detector. Dia bersemangat memecahkan tantangan pelanggan menggunakan teknik pembelajaran mesin. Di waktu luangnya, dia menikmati hiking, melukis, dan menjelajahi kedai kopi baru.
Guilherme Ricci adalah Arsitek Solusi Senior di AWS, membantu Startup memodernisasi dan mengoptimalkan biaya aplikasi mereka. Dengan pengalaman lebih dari 10 tahun di perusahaan-perusahaan di sektor keuangan, dia saat ini bekerja sama dengan tim spesialis AI/ML.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :memiliki
- :adalah
- :bukan
- :Di mana
- 000
- 1
- 10
- 100
- 20
- 20 tahun
- 200
- 39
- 50
- 7
- 8
- 9
- a
- kemampuan
- Sanggup
- Tentang Kami
- mengakses
- ketepatan
- tepat
- akurat
- kegiatan
- kegiatan
- alamat
- lembaga
- AI
- Layanan AI
- AI / ML
- Semua
- juga
- Amazon
- Detektor Penipuan Amazon
- antara
- jumlah
- an
- analis
- menganalisa
- menganalisis
- dan
- deteksi anomali
- Apa pun
- api
- aplikasi
- pendekatan
- ADALAH
- daerah
- AS
- At
- menyerang
- mengotomatiskan
- secara otomatis
- AWS
- pembatas
- berdasarkan
- BE
- karena
- menjadi
- menjadi
- sebelum
- penerima
- Lebih baik
- Bootstrap
- membangun
- built-in
- bisnis
- bisnis
- tombol
- by
- panggilan
- bernama
- CAN
- Kapasitas
- menantang
- tantangan
- perubahan
- mengubah
- beban
- tergolong
- Klik
- kode
- Tanaman
- mengumpulkan
- COM
- Perusahaan
- dibandingkan
- konsul
- terus-menerus
- konteks
- kontinu
- Biaya
- dibuat
- kritis
- sangat penting
- terbaru
- Sekarang
- adat
- pelanggan
- pelanggan
- disesuaikan
- data
- berbagi data
- kumpulan data
- keputusan
- Mendefinisikan
- mendemonstrasikan
- menunjukkan
- menyebarkan
- Deteksi
- berbeda
- digital
- membahas
- dibahas
- membedakan
- Keragaman
- do
- Dont
- secara dramatis
- penggerak
- setiap
- efektivitas
- upaya
- antara
- muncul
- Titik akhir
- Mesin
- memperkaya
- entitas
- masuk
- evaluasi
- Acara
- peristiwa
- contoh
- contoh
- mengharapkan
- harapan
- pengalaman
- penjelasan
- Menjelajahi
- memperpanjang
- palsu
- Fitur
- umpan balik
- beberapa
- terakhir
- keuangan
- Lembaga keuangan
- Sektor keuangan
- Menemukan
- fintechs
- Fokus
- mengikuti
- berikut
- Untuk
- penipuan
- deteksi penipuan
- PENCEGAHAN PENIPUAN
- penipu
- curang
- aktivitas penipuan
- Gratis
- dari
- sepenuhnya
- Selanjutnya
- masa depan
- Mendapatkan
- pertemuan
- menghasilkan
- Aksi
- Pemerintah
- sangat
- hands-on
- Memiliki
- he
- berat
- membantu
- membantu
- lebih tinggi
- historis
- sejarah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- HTTPS
- Manusia
- identik
- mengenali
- identitas
- Verifikasi Identitas
- segera
- dampak
- memperbaiki
- perbaikan
- meningkatkan
- in
- Meningkatkan
- Pada meningkat
- Meningkatkan
- meningkatkan
- informasi
- mulanya
- wawasan
- ketidakstabilan
- lembaga
- Cerdas
- ke
- Investigasi
- IP
- IT
- NYA
- jpg
- dikenal
- label
- Kekurangan
- pemandangan
- besar
- terkemuka
- BELAJAR
- pengetahuan
- Tingkat
- 'like'
- Terbatas
- batas
- sedikit
- kerugian
- Rendah
- Penurunan
- mesin
- Mesin belajar
- membuat
- Membuat
- berhasil
- pengelolaan
- panduan
- banyak
- cocok
- ukuran
- Metadata
- metode
- Metrik
- mungkin
- minimum
- ML
- model
- model
- memodernisasi
- Memantau
- lebih
- Selain itu
- beberapa
- nama
- New
- sekarang
- jumlah
- of
- on
- secara online
- hanya
- optimal
- Optimize
- pilihan
- or
- organisasi
- organisasi
- Lainnya
- kami
- Mengungguli
- lebih
- Mengatasi
- sendiri
- terpenting
- bergairah
- pola
- pembayaran
- penyedia pembayaran
- pembayaran
- prestasi
- melakukan
- Pharma
- Tempat
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- positif
- mungkin
- Pos
- berpotensi
- ramalan
- Prediksi
- kehadiran
- mencegah
- Pencegahan
- masalah
- proses
- proses
- melindungi
- memberikan
- penyedia
- menyediakan
- publik
- kualitas
- pertanyaan
- segera
- jarak
- Tarif
- real-time
- menurunkan
- melepaskan
- Dilaporkan
- laporan
- kebutuhan
- Persyaratan
- penelitian
- Sumber
- tanggapan
- mengakibatkan
- Hasil
- ulasan
- Risiko
- manajemen risiko
- Peran
- Aturan
- aturan
- skenario
- ilmuwan
- skor
- SDK
- sektor
- senior
- melayani
- layanan
- Layanan
- set
- berbagi
- toko
- harus
- Menunjukkan
- ditunjukkan
- Pertunjukkan
- penting
- signifikan
- hanya
- Ukuran
- kecil
- So
- larutan
- Solusi
- MEMECAHKAN
- Memecahkan
- beberapa
- mutakhir
- spesialis
- spesialis
- Secara khusus
- menghabiskan
- awal
- Startups
- Status
- Langkah
- tersimpan
- toko
- seperti itu
- Permukaan
- sistem
- sistem
- tabel
- taktik
- tim
- teknik
- Teknologi
- uji
- dari
- bahwa
- Grafik
- Dunia
- mereka
- dengan demikian
- karena itu
- Ini
- mereka
- ini
- Melalui
- waktu
- membuang-buang waktu
- untuk
- hari ini
- bersama
- puncak
- tradisional
- Pelatihan VE
- terlatih
- Pelatihan
- Transaksi
- Tren
- khas
- Akhirnya
- Ketidaktentuan
- Memperbarui
- diperbarui
- menggunakan
- Pengguna
- menggunakan
- MENGESAHKAN
- nilai
- Verifikasi
- memeriksa
- Mengunjungi
- volume
- volume
- adalah
- cara
- we
- Apa
- yang
- sementara
- dengan
- Alur kerja
- kerja
- dunia
- tahun
- Kamu
- Anda
- zephyrnet.dll