Man mano che sempre più aziende aumentano la propria presenza online per servire meglio i propri clienti, emergono costantemente nuovi modelli di frode. Nel panorama digitale in continua evoluzione di oggi, in cui i truffatori stanno diventando sempre più sofisticati nelle loro tattiche, rilevare e prevenire tali attività fraudolente è diventato fondamentale per le aziende e gli istituti finanziari.
I tradizionali sistemi di rilevamento delle frodi basati su regole sono limitati nella loro capacità di iterare rapidamente poiché si basano su regole e soglie predefinite per segnalare attività potenzialmente fraudolente. Questi sistemi possono generare un numero elevato di falsi positivi, aumentando in modo significativo il volume delle indagini manuali eseguite dal team antifrode. Inoltre, anche gli esseri umani sono soggetti a errori e hanno una capacità limitata di elaborare grandi quantità di dati, rendendo gli sforzi manuali per rilevare le frodi dispendiosi in termini di tempo, il che può comportare transazioni fraudolente mancate, maggiori perdite e danni alla reputazione.
L'apprendimento automatico (ML) svolge un ruolo cruciale nel rilevamento delle frodi perché può analizzare in modo rapido e accurato grandi volumi di dati per identificare modelli anomali e possibili tendenze delle frodi. Le prestazioni del modello di frode ML si basano in gran parte sulla qualità dei dati su cui viene addestrato e, in particolare per i modelli supervisionati, dati etichettati accurati sono fondamentali. In ML, la mancanza di dati storici significativi per addestrare un modello è chiamata problema di avviamento a freddo.
Nel mondo del rilevamento delle frodi, i seguenti sono alcuni scenari tradizionali di avvio a freddo:
- Costruire un accurato modello di frode senza una cronologia delle transazioni o dei casi di frode
- Essere in grado di distinguere con precisione l'attività legittima dalla frode per nuovi clienti e account
- Pagamenti decisionali a rischio a un indirizzo o beneficiario mai visto prima dal sistema antifrode
Esistono diversi modi per risolvere questi scenari. Ad esempio, puoi utilizzare modelli generici, noti come modelli taglia unica, che in genere vengono addestrati su piattaforme di condivisione dei dati sulle frodi come i consorzi di frode. La sfida con questo approccio è che nessuna azienda è uguale e i vettori di attacco fraudolento cambiano costantemente.
Un'altra opzione consiste nell'utilizzare un modello di rilevamento delle anomalie senza supervisione per monitorare e far emergere comportamenti insoliti tra gli eventi dei clienti. La sfida con questo approccio è che non tutti gli eventi di frode sono anomalie e non tutte le anomalie sono effettivamente frodi. Pertanto, puoi aspettarti tassi di falsi positivi più elevati.
In questo post, mostriamo come avviare rapidamente un modello ML di prevenzione delle frodi in tempo reale con un minimo di 100 eventi utilizzando il Amazon Fraud Detector nuova caratteristica, Partenza a freddo, riducendo così drasticamente la barriera di accesso ai modelli ML personalizzati per molte organizzazioni che semplicemente non hanno il tempo o la capacità di raccogliere ed etichettare accuratamente set di dati di grandi dimensioni. Inoltre, discutiamo di come, utilizzando gli eventi archiviati di Amazon Fraud Detector, puoi esaminare i risultati ed etichettare correttamente gli eventi per riaddestrare i tuoi modelli, migliorando così l'efficacia delle misure di prevenzione delle frodi nel tempo.
Panoramica della soluzione
Amazon Fraud Detector è un servizio di rilevamento frodi completamente gestito che automatizza il rilevamento di attività potenzialmente fraudolente online. Puoi utilizzare Amazon Fraud Detector per creare modelli personalizzati di rilevamento delle frodi utilizzando il tuo set di dati cronologici, aggiungere la logica decisionale utilizzando il motore di regole integrato e orchestrare i flussi di lavoro decisionali del rischio con un semplice clic.
In precedenza, per addestrare un modello era necessario fornire oltre 10,000 eventi etichettati con almeno 400 esempi di frode. Con il rilascio della funzione Cold Start, puoi addestrare rapidamente un modello con un minimo di 100 eventi e almeno 50 classificati come frode. Rispetto ai requisiti di dati iniziali, si tratta di una riduzione del 99% dei dati storici e di una riduzione dell'87% dei requisiti delle etichette.
La nuova funzione Cold Start fornisce metodi intelligenti per arricchire, estendere e modellare il rischio di piccoli insiemi di dati. Inoltre, Amazon Fraud Detector esegue assegnazioni di etichette e campionamenti per eventi senza etichetta.
Gli esperimenti eseguiti con set di dati pubblici mostrano che, abbassando i limiti a 50 frodi e solo 100 eventi, è possibile creare modelli ML di frode che superano costantemente i modelli non supervisionati e semi-supervisionati.
Prestazioni del modello Cold Start
La capacità di un modello ML di generalizzare e fare previsioni accurate su dati invisibili è influenzata dalla qualità e dalla diversità del set di dati di addestramento. Per i modelli Cold Start, questo non è diverso. Dovresti disporre di processi in atto man mano che vengono raccolti più dati per etichettare correttamente questi eventi e riaddestrare i modelli, portando infine a prestazioni ottimali del modello.
Con un requisito di dati inferiore, l'instabilità delle prestazioni riportate aumenta a causa della maggiore varianza del modello e della dimensione limitata dei dati di test. Per aiutarti a costruire la giusta aspettativa delle prestazioni del modello, oltre all'AUC del modello, Amazon Fraud Detector riporta anche le metriche dell'intervallo di incertezza. La tabella seguente definisce queste metriche.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
Intervallo di incertezza AUC | > 0.3 | Le prestazioni del modello sono molto basse e potrebbero variare notevolmente. Aspettatevi basse prestazioni di rilevamento delle frodi. | Le prestazioni del modello sono basse e potrebbero variare notevolmente. Aspettatevi prestazioni di rilevamento delle frodi limitate. | Le prestazioni del modello potrebbero variare notevolmente. |
0.1 - 0.3 | Le prestazioni del modello sono molto basse e potrebbero variare in modo significativo. Aspettatevi basse prestazioni di rilevamento delle frodi. | Le prestazioni del modello sono basse e potrebbero variare in modo significativo. Aspettatevi prestazioni di rilevamento delle frodi limitate. | Le prestazioni del modello potrebbero variare in modo significativo. | |
<0.1 | Le prestazioni del modello sono molto basse. Aspettatevi basse prestazioni di rilevamento delle frodi. | Le prestazioni del modello sono basse. Aspettatevi prestazioni di rilevamento delle frodi limitate. | Nessun avviso |
Addestra un modello Cold Start
L'addestramento di un modello di frode Cold Start è identico all'addestramento di qualsiasi altro modello di Amazon Fraud Detector; ciò che differisce è la dimensione del set di dati. Puoi trovare set di dati di esempio per l'addestramento Cold Start nel nostro Repository GitHub. Per addestrare un modello personalizzato di Amazon Fraud Detector, puoi seguire la nostra pratica lezione. Puoi usare il Tutorial sulla console di Amazon Fraud Detector oppure Esercitazione dell'SDK per creare, addestrare e implementare un modello di rilevamento delle frodi.
Dopo che il tuo modello è stato addestrato, puoi esaminare le metriche delle prestazioni e quindi distribuirlo modificandone lo stato in Attivo. Per ulteriori informazioni sui punteggi dei modelli e sulle metriche delle prestazioni, vedere Punteggi del modello ed Metriche delle prestazioni del modello. A questo punto, ora puoi aggiungere il tuo modello al tuo rilevatore, aggiungi regole aziendali per interpretare i punteggi di rischio generati dal modello e fare previsioni in tempo reale utilizzando il Ottieni previsione evento API.
Il miglioramento continuo del modello di frode ML e il ciclo di feedback
Con la funzione Cold Start di Amazon Fraud Detector, puoi eseguire rapidamente il bootstrap di un endpoint di rilevamento delle frodi e iniziare a proteggere immediatamente le tue attività. Tuttavia, emergono costantemente nuovi modelli di frode, quindi è fondamentale riaddestrare i modelli Cold Start con dati più recenti per migliorare l'accuratezza e l'efficacia delle previsioni nel tempo.
Per aiutarti a ripetere i tuoi modelli, Amazon Fraud Detector archivia automaticamente tutti gli eventi inviati al servizio per l'inferenza. Puoi modificare o convalidare l'attivazione del flag di importazione dell'evento a livello di tipo di evento, come mostrato nello screenshot seguente.
Con la funzionalità degli eventi archiviati, puoi utilizzare l'SDK di Amazon Fraud Detector per accedere in modo programmatico a un evento, rivedere i metadati dell'evento e la spiegazione della previsione e prendere una decisione informata sui rischi. Inoltre, è possibile etichettare l'evento per la riqualificazione futura del modello e il miglioramento continuo del modello. Il diagramma seguente mostra un esempio di questo flusso di lavoro.
Nei seguenti frammenti di codice, dimostriamo il processo per etichettare un evento memorizzato:
- Per eseguire una previsione di frode in tempo reale su un evento, chiama l'API GetEventPrediction:
Come visto nella risposta, in base alla regola del motore decisionale corrispondente, l'evento deve essere inviato per la revisione manuale da parte del team antifrode. Raccogliendo i metadati di spiegazione della previsione, puoi ottenere informazioni su come ogni variabile di evento ha influito sul punteggio di previsione delle frodi del modello.
- Per raccogliere queste informazioni, utilizziamo il file
get_event_prediction_metada
API:
Risposta dell'API:
Con queste informazioni, l'analista delle frodi può prendere una decisione informata sul rischio in merito all'evento in questione e aggiornare l'etichetta dell'evento.
- Per aggiornare l'etichetta dell'evento chiama il
update_event_label
API:
Risposta dell'API
Come passaggio finale, puoi verificare se l'etichetta dell'evento è stata aggiornata correttamente.
- Per verificare l'etichetta dell'evento, chiama il
get_event
API:
Risposta dell'API
ripulire
Per evitare di incorrere in addebiti futuri, eliminare le risorse create per la soluzione.
Conclusione
Questo post ha dimostrato come avviare rapidamente un sistema di prevenzione delle frodi in tempo reale con un minimo di 100 eventi utilizzando la nuova funzione Cold Start di Amazon Fraud Detector. Abbiamo discusso di come utilizzare gli eventi archiviati per esaminare i risultati ed etichettare correttamente gli eventi e riaddestrare i modelli, migliorando nel tempo l'efficacia delle misure di prevenzione delle frodi.
I servizi AWS completamente gestiti come Amazon Fraud Detector aiutano a ridurre il tempo che le aziende dedicano all'analisi del comportamento degli utenti per identificare le frodi nelle loro piattaforme e concentrarsi maggiormente sulla creazione di valore aziendale. Per saperne di più su come Amazon Fraud Detector può aiutare la tua azienda, visita Rilevatore di frodi Amazon.
Informazioni sugli autori
Marcello Pividal è Global Sr. AI Services Solutions Architect nella World-Wide Specialist Organization. Marcel ha più di 20 anni di esperienza nella risoluzione di problemi aziendali attraverso la tecnologia per FinTech, fornitori di servizi di pagamento, aziende farmaceutiche e agenzie governative. Le sue attuali aree di interesse sono la gestione del rischio, la prevenzione delle frodi e la verifica dell'identità.
Giulia Xu è uno scienziato ricercatore con Amazon Fraud Detector. È appassionata di risolvere le sfide dei clienti utilizzando tecniche di apprendimento automatico. Nel tempo libero le piace fare escursioni, dipingere ed esplorare nuove caffetterie.
Guglielmo Ricci è Senior Solution Architect presso AWS e aiuta le startup a modernizzare e ottimizzare i costi delle loro applicazioni. Con oltre 10 anni di esperienza con aziende del settore finanziario, attualmente collabora con il team di specialisti AI/ML.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
- Coniare il futuro con Adryenn Ashley. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :ha
- :È
- :non
- :Dove
- 000
- 1
- 10
- 100
- 20
- 20 anni
- 200
- 39
- 50
- 7
- 8
- 9
- a
- capacità
- capace
- WRI
- accesso
- precisione
- preciso
- con precisione
- attività
- attività
- indirizzo
- agenzie
- AI
- Servizi di intelligenza artificiale
- AI / ML
- Tutti
- anche
- Amazon
- Amazon Fraud Detector
- tra
- importi
- an
- analista
- analizzare
- l'analisi
- ed
- rilevamento anomalie
- in qualsiasi
- api
- applicazioni
- approccio
- SONO
- aree
- AS
- At
- attacco
- automatizza
- automaticamente
- AWS
- barriera
- basato
- BE
- perché
- diventare
- diventando
- prima
- beneficiario
- Meglio
- bootstrap
- costruire
- incassato
- affari
- aziende
- pulsante
- by
- chiamata
- detto
- Materiale
- Ultra-Grande
- Challenge
- sfide
- il cambiamento
- cambiando
- oneri
- classificato
- clicca
- codice
- Caffè
- raccogliere
- COM
- Aziende
- rispetto
- consolle
- costantemente
- contesto
- continuo
- Costi
- creato
- critico
- cruciale
- Corrente
- Attualmente
- costume
- cliente
- Clienti
- personalizzate
- dati
- condivisione dei dati
- dataset
- decisione
- definisce
- dimostrare
- dimostrato
- schierare
- rivelazione
- diverso
- digitale
- discutere
- discusso
- distinguere
- Diversità
- do
- Dont
- drammaticamente
- guida
- ogni
- efficacia
- sforzi
- o
- emergenti del mondo
- endpoint
- motore
- arricchendo
- entità
- iscrizione
- valutazioni
- Evento
- eventi
- esempio
- Esempi
- attenderti
- aspettativa
- esperienza
- spiegazione
- Esplorare
- estendendo
- falso
- caratteristica
- feedback
- pochi
- finale
- finanziario
- Istituzioni finanziarie
- Settore finanziario
- Trovate
- fintechs
- Focus
- seguire
- i seguenti
- Nel
- frode
- rilevazione di frodi
- PREVENZIONE FRODI
- truffatori
- fraudolenti
- attività fraudolenta
- Gratis
- da
- completamente
- Inoltre
- futuro
- Guadagno
- raccolta
- generare
- globali
- Enti Pubblici
- molto
- mani su
- Avere
- he
- pesantemente
- Aiuto
- aiutare
- superiore
- storico
- storia
- Come
- Tuttavia
- HTML
- HTTPS
- Gli esseri umani
- identico
- identificare
- Identità
- Verifica dell'identità
- subito
- impattato
- competenze
- miglioramento
- miglioramento
- in
- Aumento
- è aumentato
- Aumenta
- crescente
- informati
- inizialmente
- intuizioni
- instabilità
- istituzioni
- Intelligente
- ai miglioramenti
- Indagini
- IP
- IT
- SUO
- jpg
- conosciuto
- Discografica
- Dipingere
- paesaggio
- grandi
- principale
- IMPARARE
- apprendimento
- Livello
- piace
- Limitato
- limiti
- piccolo
- perdite
- Basso
- Abbattimento dei Costi
- macchina
- machine learning
- make
- Fare
- gestito
- gestione
- Manuale
- molti
- abbinato
- analisi
- Metadati
- metodi
- Metrica
- forza
- ordine
- ML
- modello
- modelli
- modernizzare
- Monitorare
- Scopri di più
- Inoltre
- multiplo
- Nome
- New
- adesso
- numero
- of
- on
- online
- esclusivamente
- ottimale
- OTTIMIZZA
- Opzione
- or
- organizzazione
- organizzazioni
- Altro
- nostro
- Outperform
- ancora
- Superare
- proprio
- supremo
- appassionato
- modelli
- Pagamento
- fornitori di pagamento
- pagamenti
- performance
- esegue
- Pharma
- posto
- Piattaforme
- Platone
- Platone Data Intelligence
- PlatoneDati
- punto
- positivo
- possibile
- Post
- potenzialmente
- predizione
- Previsioni
- presenza
- prevenzione
- Frodi
- problemi
- processi
- i processi
- proteggere
- fornire
- fornitori
- fornisce
- la percezione
- qualità
- domanda
- rapidamente
- gamma
- tempo reale
- ridurre
- rilasciare
- Segnalati
- Report
- requisito
- Requisiti
- riparazioni
- Risorse
- risposta
- colpevole
- Risultati
- recensioni
- Rischio
- gestione del rischio
- Ruolo
- Regola
- norme
- Scenari
- Scienziato
- Punto
- sdk
- settore
- anziano
- servire
- servizio
- Servizi
- Set
- compartecipazione
- negozi
- dovrebbero
- mostrare attraverso le sue creazioni
- mostrato
- Spettacoli
- significativa
- significativamente
- semplicemente
- Taglia
- piccole
- So
- soluzione
- Soluzioni
- RISOLVERE
- Soluzione
- alcuni
- sofisticato
- specialista
- specialisti
- in particolare
- spendere
- inizia a
- Startup
- Stato dei servizi
- step
- memorizzati
- negozi
- tale
- superficie
- sistema
- SISTEMI DI TRATTAMENTO
- tavolo
- tattica
- team
- tecniche
- Tecnologia
- test
- di
- che
- Il
- il mondo
- loro
- in tal modo
- perciò
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- questo
- Attraverso
- tempo
- richiede tempo
- a
- di oggi
- insieme
- top
- tradizionale
- Treni
- allenato
- Training
- Le transazioni
- tendenze
- tipicamente
- in definitiva
- Incertezza
- Aggiornanento
- aggiornato
- uso
- Utente
- utilizzando
- CONVALIDARE
- APPREZZIAMO
- Convalida
- verificare
- Visita
- volume
- volumi
- Prima
- modi
- we
- Che
- quale
- while
- con
- flussi di lavoro
- lavoro
- mondo
- anni
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro