ככל שיותר עסקים מגבירים את הנוכחות המקוונת שלהם כדי לשרת טוב יותר את הלקוחות שלהם, דפוסי הונאה חדשים צצים ללא הרף. בנוף הדיגיטלי ההולך ומתפתח של ימינו, שבו הרמאים הופכים מתוחכמים יותר בטקטיקות שלהם, איתור ומניעת פעילויות הונאה כאלה הפכו לבעל חשיבות עליונה עבור חברות ומוסדות פיננסיים.
מערכות מסורתיות מבוססות כללים לזיהוי הונאה מוגבלות ביכולתן לחזור על עצמה במהירות שכן הן מסתמכות על כללים וספים מוגדרים מראש כדי לסמן פעילות שעלולה להיות הונאה. מערכות אלו יכולות ליצור מספר רב של תוצאות כוזבות, ולהגדיל משמעותית את היקף החקירות הידניות שמבצע צוות ההונאה. יתרה מזאת, בני אדם גם מועדים לטעויות ויש להם יכולת מוגבלת לעבד כמויות גדולות של נתונים, תוך ביצוע מאמצים ידניים לאיתור הונאה שגוזלים זמן, מה שעלול לגרום להחמצת עסקאות הונאה, הפסדים מוגברים ונזק למוניטין.
למידת מכונה (ML) ממלאת תפקיד מכריע בזיהוי הונאה מכיוון שהיא יכולה לנתח במהירות ובדייקנות כמויות גדולות של נתונים כדי לזהות דפוסים חריגים ומגמות אפשריות של הונאה. ביצועי מודל ההונאה של ML מסתמכים במידה רבה על איכות הנתונים עליהם הוא מאומן, ובמיוחד עבור המודלים המפוקחים, נתונים מסומנים מדויקים הם חיוניים. ב-ML, חוסר בנתונים היסטוריים משמעותיים להכשרת מודל נקרא בעיית התחלה קרה.
בעולם של גילוי הונאה, להלן כמה תרחישים מסורתיים של התחלה קרה:
- בניית מודל הונאה מדויק תוך חוסר היסטוריה של עסקאות או מקרי הונאה
- היכולת להבחין במדויק בין פעילות לגיטימית להונאה עבור לקוחות וחשבונות חדשים
- תשלומים המחליטים על סיכון לכתובת או למוטב שמעולם לא נראו בעבר על ידי מערכת ההונאה
ישנן מספר דרכים לפתור את התרחישים הללו. לדוגמה, אתה יכול להשתמש במודלים גנריים, המכונים מודלים בגודל אחד מתאים לכל, אשר מאומנים בדרך כלל על גבי פלטפורמות לשיתוף נתוני הונאה כמו קונסורציומים של הונאה. האתגר בגישה זו הוא שאף עסק אינו שווה, וקטורי התקפות הונאה משתנים ללא הרף.
אפשרות נוספת היא להשתמש במודל זיהוי אנומליות ללא פיקוח כדי לנטר ולהעלות התנהגות חריגה בקרב אירועי לקוחות. האתגר בגישה זו הוא שלא כל אירועי ההונאה הם חריגות, ולא כל החריגות הן אכן הונאה. לכן, אתה יכול לצפות לשיעורי חיובי שווא גבוהים יותר.
בפוסט זה, אנו מראים כיצד ניתן לאתחל במהירות מודל ML למניעת הונאה בזמן אמת עם מעט כמו 100 אירועים באמצעות גלאי הונאות של אמזון תכונה חדשה, התחלה קרה, ובכך להוריד באופן דרמטי את מחסום הכניסה למודלים מותאמים אישית של ML עבור ארגונים רבים שפשוט אין להם את הזמן או היכולת לאסוף ולתייג במדויק מערכי נתונים גדולים. יתרה מכך, אנו דנים כיצד באמצעות שימוש באירועים מאוחסנים של Amazon Fraud Detector, אתה יכול לסקור את התוצאות ולתייג נכון את האירועים כדי לאמן מחדש את המודלים שלך, ובכך לשפר את האפקטיביות של אמצעי מניעת הונאה לאורך זמן.
סקירת פתרונות
Amazon Fraud Detector הוא שירות זיהוי הונאה מנוהל במלואו, המאפשר זיהוי אוטומטי של פעילויות מקוונות שעלולות להיות הונאה. אתה יכול להשתמש ב-Amazon Fraud Detector כדי לבנות מודלים מותאמים אישית של זיהוי הונאה באמצעות מערך נתונים היסטורי משלך, להוסיף היגיון החלטות באמצעות מנוע הכללים המובנה, ולארגן תהליכי עבודה של החלטות סיכון בלחיצת כפתור.
בעבר, היית צריך לספק יותר מ-10,000 אירועים מתויגים עם לפחות 400 דוגמאות של הונאה כדי להכשיר דוגמנית. עם שחרורו של תכונת Cold Start, אתה יכול להכשיר במהירות דגם עם מינימום של 100 אירועים ולפחות 50 מסווגים כהונאה. בהשוואה לדרישות הנתונים הראשוניות, מדובר בירידה של 99% בנתונים ההיסטוריים והפחתה של 87% בדרישות התווית.
התכונה החדשה של Cold Start מספקת שיטות חכמות להעשרה, הרחבה ויצירת מודלים של קבוצות קטנות של נתונים. יתרה מכך, Amazon Fraud Detector מבצע הקצאות תוויות ודגימה עבור אירועים ללא תווית.
ניסויים שבוצעו עם מערכי נתונים ציבוריים מראים שעל ידי הורדת המגבלות ל-50 הונאה ורק 100 אירועים, אתה יכול לבנות מודלים של הונאה ML שעולים באופן עקבי על מודלים ללא פיקוח ומודלים בפיקוח למחצה.
ביצועי דגם התחלה קרה
היכולת של מודל ML להכליל ולבצע תחזיות מדויקות על נתונים בלתי נראים מושפעת מהאיכות והמגוון של מערך האימון. עבור דגמי Cold Start, זה לא שונה. אתה צריך להפעיל תהליכים שכן נתונים נוספים נאספים כדי לתייג נכון אירועים אלה ולהכשיר מחדש את המודלים, מה שיוביל בסופו של דבר לביצועי מודל מיטביים.
עם דרישת נתונים נמוכה יותר, חוסר היציבות של הביצועים המדווחים עולה עקב השונות המוגברת של המודל וגודל נתוני הבדיקה המוגבל. כדי לעזור לך לבנות את הציפייה הנכונה לביצועי המודל, מלבד הדגם AUC, Amazon Fraud Detector מדווח גם על מדדי טווח אי ודאות. הטבלה הבאה מגדירה את המדדים הללו.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
מרווח אי-ודאות AUC | > 0.3 | ביצועי הדגם נמוכים מאוד ועשויים להשתנות מאוד. צפו לביצועים נמוכים לגילוי הונאה. | ביצועי הדגם נמוכים ועשויים להשתנות מאוד. צפו לביצועי זיהוי הונאה מוגבלים. | ביצועי הדגם עשויים להשתנות מאוד. |
0.1 - 0.3 | ביצועי הדגם נמוכים מאוד ועשויים להשתנות באופן משמעותי. צפו לביצועים נמוכים לגילוי הונאה. | ביצועי הדגם נמוכים ועשויים להשתנות באופן משמעותי. צפו לביצועי גילוי הונאה מוגבלים. | ביצועי הדגם עשויים להשתנות באופן משמעותי. | |
<0.1 | ביצועי הדגם נמוכים מאוד. צפו לביצועים נמוכים לגילוי הונאה. | ביצועי הדגם נמוכים. צפו לביצועי גילוי הונאה מוגבלים. | אין אזהרה |
אימון דגם Cold Start
הכשרת מודל הונאה של Cold Start זהה לאימון כל דגם אחר של Amazon Fraud Detector; מה ששונה הוא גודל הנתונים. אתה יכול למצוא מערכי נתונים לדוגמה לאימון Cold Start אצלנו ריפו GitHub. כדי להכשיר דגם מותאם אישית של גלאי הונאה של אמזון, אתה יכול לעקוב אחר מעשינו הדרכה. אתה יכול להשתמש ב- מדריך קונסולת גלאי הונאה של אמזון או ערכת SDK לבנות, לאמן ולפרוס מודל לגילוי הונאה.
לאחר הכשרה של המודל שלך, תוכל לסקור מדדי ביצועים ולאחר מכן לפרוס אותו על ידי שינוי הסטטוס שלו ל Active. למידע נוסף על ציוני מודל ומדדי ביצועים, ראה ציוני דגם ו מדדי ביצועים מודליים. בשלב זה, כעת תוכל להוסיף את הדגם שלך לגלאי שלך, הוסף כללים עסקיים לפרש את ציוני הסיכון שהמודל מוציא, ולבצע תחזיות בזמן אמת באמצעות ה GetEventPrediction ה-API.
מודל הונאה ML שיפור מתמיד ולולאת משוב
עם תכונת Amazon Fraud Detector Cold Start, אתה יכול לאתחל במהירות נקודת קצה של גלאי הונאה ולהתחיל להגן על העסקים שלך באופן מיידי. עם זאת, דפוסי הונאה חדשים צצים כל הזמן, ולכן חיוני להכשיר מחדש מודלים של Cold Start עם נתונים חדשים יותר כדי לשפר את הדיוק והיעילות של התחזיות לאורך זמן.
כדי לעזור לך לחזור על הדגמים שלך, Amazon Fraud Detector מאחסן באופן אוטומטי את כל האירועים שנשלחו לשירות לצורך הסקת מסקנות. אתה יכול לשנות או לאמת את דגל הטמעת האירוע ברמת סוג האירוע, כפי שמוצג בצילום המסך הבא.
עם תכונת האירועים המאוחסנים, אתה יכול להשתמש ב- Amazon Fraud Detector SDK כדי לגשת באופן תוכניתי לאירוע, לסקור את המטא נתונים של האירוע ואת הסבר החיזוי ולקבל החלטת סיכון מושכלת. יתרה מכך, ניתן לתייג את האירוע להכשרת מודלים עתידיים ושיפור מתמיד של מודל. התרשים הבא מציג דוגמה לזרימת עבודה זו.
בקטעי הקוד הבאים, אנו מדגימים את התהליך לתיוג אירוע מאוחסן:
- כדי לבצע חיזוי הונאה בזמן אמת באירוע, התקשר ל-GetEventPrediction API:
כפי שניתן לראות בתגובה, בהתבסס על התאמת כלל מנוע ההחלטה, יש לשלוח את האירוע לבדיקה ידנית על ידי צוות ההונאה. על ידי איסוף המטא נתונים של הסבר החיזוי, אתה יכול לקבל תובנות לגבי האופן שבו כל משתנה אירועים השפיע על ציון חיזוי ההונאה של המודל.
- כדי לאסוף את התובנות הללו, אנו משתמשים ב-
get_event_prediction_metada
API:
תגובת API:
בעזרת תובנות אלו, מנתח ההונאה יכול לקבל החלטת סיכון מושכלת לגבי האירוע המדובר ולעדכן את תווית האירוע.
- לעדכון תווית האירוע התקשר ל-
update_event_label
API:
תגובת API
כשלב אחרון, תוכל לוודא אם תווית האירוע עודכנה כהלכה.
- כדי לאמת את תווית האירוע, התקשר אל
get_event
API:
תגובת API
לנקות את
כדי להימנע מחיובים עתידיים, מחק את המשאבים שנוצרו עבור הפתרון.
סיכום
פוסט זה הדגים כיצד ניתן לאתחל במהירות מערכת למניעת הונאה בזמן אמת עם כמה כמו 100 אירועים באמצעות התכונה החדשה של Amazon Fraud Detector. דנו כיצד תוכל להשתמש באירועים מאוחסנים כדי לסקור תוצאות ולתייג נכון את האירועים ולהכשיר מחדש את המודלים שלך, ולשפר את היעילות של אמצעי מניעת הונאה לאורך זמן.
שירותי AWS מנוהלים במלואם כמו Amazon Fraud Detector עוזרים לצמצם את הזמן שעסקים מקדישים לניתוח התנהגות משתמשים כדי לזהות הונאה בפלטפורמות שלהם ולהתמקד יותר בהגדלת הערך העסקי. למידע נוסף על האופן שבו Amazon Fraud Detector יכול לעזור לעסק שלך, בקר גלאי הונאה של אמזון.
על הכותבים
מרסל פיבידל הוא ארכיטקט פתרונות שירותי AI Global Sr. בארגון המומחים העולמי. למרסל יש יותר מ-20 שנות ניסיון בפתרון בעיות עסקיות באמצעות טכנולוגיה עבור FinTechs, ספקי תשלומים, פארמה וסוכנויות ממשלתיות. תחומי המיקוד הנוכחיים שלו הם ניהול סיכונים, מניעת הונאה ואימות זהות.
ג'וליה שו הוא מדען מחקר עם Amazon Fraud Detector. היא נלהבת מפתרון אתגרי לקוחות באמצעות טכניקות למידת מכונה. בזמנה הפנוי היא נהנית לטייל, לצייר ולחקור בתי קפה חדשים.
גילרמה ריצ'י הוא ארכיטקט פתרונות בכיר ב-AWS, שעוזר לסטארט-אפים לבצע מודרניזציה ואופטימיזציה של עלויות היישומים שלהם. עם למעלה מ-10 שנות ניסיון עם חברות במגזר הפיננסי, הוא עובד כעת יחד עם צוות מומחי AI/ML.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- הטבעת העתיד עם אדריאן אשלי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :יש ל
- :הוא
- :לֹא
- :איפה
- 000
- 1
- 10
- 100
- 20
- שנים 20
- 200
- 39
- 50
- 7
- 8
- 9
- a
- יכולת
- יכול
- אודות
- גישה
- דיוק
- מדויק
- במדויק
- פעילויות
- פעילות
- כתובת
- סוכנויות
- AI
- שירותי AI
- AI / ML
- תעשיות
- גם
- אמזון בעברית
- גלאי הונאות של אמזון
- בין
- כמויות
- an
- מנתח
- לנתח
- ניתוח
- ו
- גילוי חריגות
- כל
- API
- יישומים
- גישה
- ARE
- אזורים
- AS
- At
- לתקוף
- אוטומטית
- באופן אוטומטי
- AWS
- מחסום
- מבוסס
- BE
- כי
- להיות
- התהוות
- לפני
- מוּטָב
- מוטב
- אוזן נעל
- לִבנוֹת
- מובנה
- עסקים
- עסקים
- לַחְצָן
- by
- שיחה
- נקרא
- CAN
- קיבולת
- לאתגר
- האתגרים
- שינוי
- משתנה
- חיובים
- מְסוּוָג
- קליק
- קוד
- קָפֶה
- לגבות
- COM
- חברות
- לעומת
- קונסול
- תמיד
- הקשר
- רציף
- עלויות
- נוצר
- קריטי
- מכריע
- נוֹכְחִי
- כיום
- מנהג
- לקוח
- לקוחות
- אישית
- נתונים
- שיתוף מידע
- מערכי נתונים
- החלטה
- מגדיר
- להפגין
- מופגן
- לפרוס
- איתור
- אחר
- דיגיטלי
- לדון
- נָדוֹן
- לְהַבחִין
- גיוון
- do
- לא
- באופן דרמטי
- נהיגה
- כל אחד
- יְעִילוּת
- מַאֲמָצִים
- או
- אמייל
- מתעורר
- נקודת קצה
- מנוע
- מעשיר
- ישויות
- כניסה
- הערכות
- אירוע
- אירועים
- דוגמה
- דוגמאות
- לצפות
- תוחלת
- ניסיון
- הסבר
- היכרות
- מאריך
- שקר
- מאפיין
- מָשׁוֹב
- מעטים
- סופי
- כספי
- גופים פיננסיים
- מגזר פיננסי
- פינצ'ים
- להתמקד
- לעקוב
- הבא
- בעד
- הונאה
- גילוי הונאה
- מניעת הונאה
- רמאים
- רמאי
- פעילות מרמה
- חופשי
- החל מ-
- לגמרי
- יתר על כן
- עתיד
- לְהַשִׂיג
- איסוף
- ליצור
- גלוֹבָּלִי
- ממשלה
- מאוד
- ידות על
- יש
- he
- בִּכְבֵדוּת
- לעזור
- עזרה
- גבוה יותר
- היסטורי
- היסטוריה
- איך
- אולם
- HTML
- HTTPS
- בני אדם
- זהה
- לזהות
- זהות
- אימות זהות
- מיד
- מושפעים
- לשפר
- השבחה
- שיפור
- in
- להגדיל
- גדל
- עליות
- גדל
- הודעה
- בתחילה
- תובנות
- אי יציבות
- מוסדות
- אינטליגנטי
- אל תוך
- חקירות
- IP
- IT
- שֶׁלָה
- jpg
- ידוע
- תווית
- חוסר
- נוף
- גָדוֹל
- מוביל
- לִלמוֹד
- למידה
- רמה
- כמו
- מוגבל
- גבולות
- קְצָת
- אבדות
- נמוך
- מוריד
- מכונה
- למידת מכונה
- לעשות
- עשייה
- הצליח
- ניהול
- מדריך ל
- רב
- מתאים
- אמצעים
- מידע נוסף
- שיטות
- מדדים
- יכול
- מינימום
- ML
- מודל
- מודלים
- לְחַדֵשׁ
- צג
- יותר
- יתר על כן
- מספר
- שם
- חדש
- עַכשָׁיו
- מספר
- of
- on
- באינטרנט
- רק
- אופטימלי
- מטב
- אפשרות
- or
- ארגון
- ארגונים
- אחר
- שלנו
- ביצועים טובים יותר
- יותר
- להתגבר על
- שֶׁלוֹ
- הגדול ביותר
- לוהט
- דפוסי
- תשלום
- ספקי תשלום
- תשלומים
- ביצועים
- מבצע
- פארמה
- מקום
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- חיובי
- אפשרי
- הודעה
- פוטנציאל
- נבואה
- התחזיות
- נוכחות
- מניעה
- מניעה
- בעיות
- תהליך
- תהליכים
- אבטחה
- לספק
- ספקים
- מספק
- ציבורי
- איכות
- שאלה
- מהירות
- רכס
- תעריפים
- זמן אמת
- להפחית
- לשחרר
- דווח
- דוחות לדוגמא
- דרישה
- דרישות
- מחקר
- משאבים
- תגובה
- תוצאה
- תוצאות
- סקירה
- הסיכון
- ניהול סיכונים
- תפקיד
- כלל
- כללי
- תרחישים
- מַדְעָן
- ציון
- Sdk
- מגזר
- לחצני מצוקה לפנסיונרים
- לשרת
- שרות
- שירותים
- סטים
- שיתוף
- חנויות
- צריך
- לְהַצִיג
- הראה
- הופעות
- משמעותי
- באופן משמעותי
- בפשטות
- מידה
- קטן
- So
- פִּתָרוֹן
- פתרונות
- לפתור
- פותר
- כמה
- מתוחכם
- מומחה
- מומחים
- במיוחד
- לבלות
- התחלה
- חברות סטארט
- מצב
- שלב
- מאוחסן
- חנויות
- כזה
- משטח
- מערכת
- מערכות
- שולחן
- טקטיקה
- נבחרת
- טכניקות
- טכנולוגיה
- מבחן
- מֵאֲשֶׁר
- זֶה
- השמיים
- העולם
- שֶׁלָהֶם
- בכך
- לכן
- אלה
- הֵם
- זֶה
- דרך
- זמן
- דורש זמן רב
- ל
- של היום
- יַחַד
- חלק עליון
- מסורתי
- רכבת
- מְאוּמָן
- הדרכה
- עסקות
- מגמות
- בדרך כלל
- בסופו של דבר
- אי ודאות
- עדכון
- מְעוּדכָּן
- להשתמש
- משתמש
- באמצעות
- לְאַמֵת
- ערך
- אימות
- לאמת
- לְבַקֵר
- כֶּרֶך
- כרכים
- היה
- דרכים
- we
- מה
- אשר
- בזמן
- עם
- זרימות עבודה
- עובד
- עוֹלָם
- שנים
- אתה
- זפירנט