더 많은 기업이 고객에게 더 나은 서비스를 제공하기 위해 온라인 입지를 강화함에 따라 새로운 사기 패턴이 지속적으로 등장하고 있습니다. 오늘날과 같이 끊임없이 진화하는 디지털 환경에서 사기범의 수법이 점점 더 정교해지고 있으므로 이러한 사기 행위를 감지하고 방지하는 것이 기업과 금융 기관에서 가장 중요한 일이 되었습니다.
기존의 규칙 기반 사기 탐지 시스템은 사전 정의된 규칙 및 임계값에 의존하여 잠재적인 사기 활동을 표시하므로 신속하게 반복하는 능력이 제한됩니다. 이러한 시스템은 많은 수의 거짓 긍정을 생성하여 사기 팀이 수행하는 수동 조사의 양을 크게 증가시킬 수 있습니다. 또한 인간은 오류가 발생하기 쉽고 많은 양의 데이터를 처리할 수 있는 능력이 제한되어 있어 사기를 탐지하기 위해 수동으로 노력하는 데 많은 시간이 소요되며 이로 인해 사기 거래 누락, 손실 증가 및 평판 손상이 발생할 수 있습니다.
기계 학습(ML)은 비정상적인 패턴과 가능한 사기 경향을 식별하기 위해 대량의 데이터를 빠르고 정확하게 분석할 수 있기 때문에 사기를 감지하는 데 중요한 역할을 합니다. ML 사기 모델 성능은 훈련된 데이터의 품질에 크게 의존하며, 특히 감독 모델의 경우 정확한 레이블이 지정된 데이터가 중요합니다. ML에서 모델을 교육하는 데 중요한 과거 데이터가 부족한 것을 콜드 스타트 문제.
사기 탐지 분야에서 다음은 몇 가지 전통적인 콜드 스타트 시나리오입니다.
- 거래 이력이나 사기 사례가 부족한 상태에서 정확한 사기 모델 구축
- 신규 고객 및 계정에 대한 합법적인 활동과 사기를 정확하게 구분할 수 있음
- 사기 시스템에서 이전에 본 적이 없는 주소 또는 수혜자에 대한 위험 결정 지급
이러한 시나리오를 해결하는 방법에는 여러 가지가 있습니다. 예를 들어 일반적으로 사기 컨소시엄과 같은 사기 데이터 공유 플랫폼을 기반으로 학습되는 범용 모델로 알려진 일반 모델을 사용할 수 있습니다. 이 접근 방식의 문제는 비즈니스가 평등하지 않으며 사기 공격 벡터가 끊임없이 변한다는 것입니다.
또 다른 옵션은 감독되지 않은 이상 탐지 모델을 사용하여 고객 이벤트 간의 비정상적인 동작을 모니터링하고 표면화하는 것입니다. 이 접근 방식의 문제는 모든 사기 이벤트가 변칙적인 것은 아니며 모든 변칙이 실제로 사기가 아니라는 것입니다. 따라서 더 높은 오탐률을 기대할 수 있습니다.
이 게시물에서는 아마존 사기 탐지기 새로운 기능, 콜드 스타트, 따라서 대규모 데이터 세트를 수집하고 정확하게 레이블을 지정할 시간이나 능력이 없는 많은 조직의 사용자 지정 ML 모델에 대한 진입 장벽을 크게 낮춥니다. 또한 Amazon Fraud Detector에 저장된 이벤트를 사용하여 결과를 검토하고 이벤트에 올바르게 레이블을 지정하여 모델을 재교육함으로써 시간이 지남에 따라 사기 방지 조치의 효율성을 개선하는 방법에 대해 설명합니다.
솔루션 개요
Amazon Fraud Detector는 온라인에서 사기 가능성이 있는 활동을 자동으로 탐지하는 완전관리형 사기 탐지 서비스입니다. Amazon Fraud Detector를 사용하여 자신의 과거 데이터 세트를 사용하여 맞춤형 사기 탐지 모델을 구축하고, 기본 제공 규칙 엔진을 사용하여 결정 로직을 추가하고, 버튼 클릭 한 번으로 위험 결정 워크플로를 조정할 수 있습니다.
이전에는 모델을 교육하기 위해 최소 10,000개의 사기 사례와 함께 400개가 넘는 레이블이 지정된 이벤트를 제공해야 했습니다. 콜드 스타트 기능의 출시로 최소 100개의 이벤트와 사기로 분류된 최소 50개의 이벤트로 모델을 빠르게 교육할 수 있습니다. 초기 데이터 요구 사항과 비교할 때 과거 데이터가 99% 감소하고 레이블 요구 사항이 87% 감소했습니다.
새로운 Cold Start 기능은 소규모 데이터 세트를 강화, 확장 및 위험 모델링하는 지능적인 방법을 제공합니다. 또한 Amazon Fraud Detector는 레이블이 지정되지 않은 이벤트에 대해 레이블 지정 및 샘플링을 수행합니다.
공개 데이터 세트로 수행한 실험에 따르면 사기 50개와 이벤트 100개로 한도를 낮추면 감독되지 않은 모델과 준감독된 모델보다 지속적으로 우수한 성능을 발휘하는 사기 ML 모델을 구축할 수 있습니다.
콜드 스타트 모델 성능
본 적이 없는 데이터를 일반화하고 정확한 예측을 수행하는 ML 모델의 기능은 훈련 데이터 세트의 품질과 다양성의 영향을 받습니다. 콜드 스타트 모델의 경우에도 마찬가지입니다. 이러한 이벤트에 올바르게 레이블을 지정하고 모델을 재훈련하여 궁극적으로 최적의 모델 성능을 이끌어내기 위해 더 많은 데이터가 수집됨에 따라 프로세스가 마련되어 있어야 합니다.
데이터 요구 사항이 낮을수록 모델의 분산이 증가하고 테스트 데이터 크기가 제한되어 보고된 성능의 불안정성이 증가합니다. 모델 성능에 대한 올바른 기대치를 구축하는 데 도움이 되도록 Amazon Fraud Detector는 모델 AUC 외에도 불확실성 범위 지표를 보고합니다. 다음 표는 이러한 메트릭을 정의합니다.
. | . | AUC | ||
. | . | <0.6 | 0.6 – 0.8 | > = 0.8 |
AUC 불확실성 구간 | > 0.3 | 모델 성능이 매우 낮고 크게 다를 수 있습니다. 사기 탐지 성능이 낮을 것으로 예상됩니다. | 모델 성능이 낮고 크게 다를 수 있습니다. 제한된 사기 탐지 성능을 기대하십시오. | 모델 성능은 크게 다를 수 있습니다. |
0.1 – 0.3 | 모델 성능이 매우 낮고 크게 다를 수 있습니다. 사기 탐지 성능이 낮을 것으로 예상됩니다. | 모델 성능이 낮고 크게 다를 수 있습니다. 제한된 사기 탐지 성능을 기대하십시오. | 모델 성능은 크게 다를 수 있습니다. | |
<0.1 | 모델 성능이 매우 낮습니다. 사기 탐지 성능이 낮을 것으로 예상됩니다. | 모델 성능이 낮습니다. 제한된 사기 탐지 성능을 기대하십시오. | 경고 없음 |
콜드 스타트 모델 교육
Cold Start 사기 모델 교육은 다른 Amazon Fraud Detector 모델 교육과 동일합니다. 다른 점은 데이터 세트 크기입니다. Cold Start 교육용 샘플 데이터 세트는 당사에서 찾을 수 있습니다. GitHub 레포. Amazon Fraud Detector 사용자 지정 모델을 교육하려면 실습을 따를 수 있습니다. 지도 시간. 다음 중 하나를 사용할 수 있습니다. Amazon Fraud Detector 콘솔 자습서 또는 SDK 튜토리얼 사기 탐지 모델을 구축, 교육 및 배포합니다.
모델이 학습된 후 성능 메트릭을 검토한 다음 상태를 다음으로 변경하여 배포할 수 있습니다. 최근활동. 모델 점수 및 성능 지표에 대한 자세한 내용은 다음을 참조하십시오. 모델 점수 및 모델 성능 메트릭. 이 시점에서 이제 모델을 감지기에 추가할 수 있습니다. 비즈니스 규칙 모델이 출력하는 위험 점수를 해석하고 이벤트 예측 가져오기 API.
사기 ML 모델 지속적인 개선 및 피드백 루프
Amazon Fraud Detector Cold Start 기능을 사용하면 사기 탐지기 엔드포인트를 신속하게 부트스트랩하고 즉시 비즈니스 보호를 시작할 수 있습니다. 그러나 새로운 사기 패턴이 지속적으로 나타나기 때문에 시간이 지남에 따라 예측의 정확성과 효율성을 개선하기 위해 최신 데이터로 Cold Start 모델을 재교육하는 것이 중요합니다.
모델을 반복할 수 있도록 Amazon Fraud Detector는 추론을 위해 서비스로 전송된 모든 이벤트를 자동으로 저장합니다. 다음 스크린샷과 같이 이벤트 수집 플래그가 이벤트 유형 수준에서 켜져 있는지 변경하거나 유효성을 검사할 수 있습니다.
저장된 이벤트 기능을 사용하면 Amazon Fraud Detector SDK를 사용하여 프로그래밍 방식으로 이벤트에 액세스하고, 이벤트 메타데이터 및 예측 설명을 검토하고, 정보에 입각한 위험 결정을 내릴 수 있습니다. 또한 향후 모델 재교육 및 지속적인 모델 개선을 위해 이벤트에 레이블을 지정할 수 있습니다. 다음 다이어그램은 이 워크플로의 예를 보여줍니다.
다음 코드 스니펫에서는 저장된 이벤트에 레이블을 지정하는 프로세스를 보여줍니다.
- 이벤트에 대한 실시간 사기 예측을 수행하려면 GetEventPrediction API를 호출하십시오.
응답에서 볼 수 있듯이 일치하는 의사 결정 엔진 규칙에 따라 사기 팀의 수동 검토를 위해 이벤트를 전송해야 합니다. 예측 설명 메타데이터를 수집하면 각 이벤트 변수가 모델의 사기 예측 점수에 어떤 영향을 미쳤는지에 대한 통찰력을 얻을 수 있습니다.
- 이러한 통찰력을 수집하기 위해 우리는
get_event_prediction_metada
API :
API 응답:
이러한 인사이트를 통해 사기 분석가는 해당 이벤트에 대해 정보에 입각한 위험 결정을 내리고 이벤트 레이블을 업데이트할 수 있습니다.
- 이벤트 레이블을 업데이트하려면
update_event_label
API :
API 응답
마지막 단계로 이벤트 레이블이 올바르게 업데이트되었는지 확인할 수 있습니다.
- 이벤트 레이블을 확인하려면
get_event
API :
API 응답
정리
향후 요금이 발생하지 않도록 하려면 솔루션에 대해 생성된 리소스를 삭제하십시오.
결론
이 게시물에서는 Amazon Fraud Detector의 새로운 Cold Start 기능을 사용하여 100개 정도의 이벤트로 실시간 사기 방지 시스템을 빠르게 부트스트랩하는 방법을 보여주었습니다. 저장된 이벤트를 사용하여 결과를 검토하고 이벤트에 올바르게 레이블을 지정하고 모델을 재교육하여 시간이 지남에 따라 사기 방지 조치의 효율성을 개선하는 방법에 대해 논의했습니다.
Amazon Fraud Detector와 같은 완전관리형 AWS 서비스는 기업이 플랫폼에서 사기를 식별하고 비즈니스 가치 창출에 더 집중하기 위해 사용자 행동을 분석하는 데 소요되는 시간을 줄이는 데 도움이 됩니다. Amazon Fraud Detector가 비즈니스에 어떻게 도움이 되는지 자세히 알아보려면 다음 사이트를 방문하십시오. 아마존 사기 탐지기.
저자에 관하여
마르셀 피비달 World-Wide Specialist Organization의 Global Sr. AI Services Solutions Architect입니다. Marcel은 핀테크, 결제 제공업체, 제약 및 정부 기관의 기술을 통해 비즈니스 문제를 해결하는 데 20년 이상의 경험을 가지고 있습니다. 그의 현재 초점 영역은 위험 관리, 사기 방지 및 신원 확인입니다.
줄리아 수 Amazon Fraud Detector의 연구 과학자입니다. 그녀는 기계 학습 기술을 사용하여 고객 문제를 해결하는 데 열정적입니다. 여가 시간에는 하이킹, 그림 그리기, 새로운 커피숍 탐험을 즐깁니다.
길레르메 리치 AWS의 수석 솔루션 아키텍트로서 스타트업이 애플리케이션 비용을 현대화하고 최적화할 수 있도록 지원합니다. 금융 분야 기업에서 10년 이상의 경험을 쌓은 그는 현재 AI/ML 전문가 팀과 함께 일하고 있습니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 미래 만들기 w Adryenn Ashley. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :있다
- :이다
- :아니
- :어디
- 000
- 1
- 10
- 100
- 20
- 20년
- 200
- 39
- 50
- 7
- 8
- 9
- a
- 능력
- 할 수 있는
- 소개
- ACCESS
- 정확한
- 정확히
- 방과 후 액티비티
- 활동
- 주소
- 기관
- AI
- AI 서비스
- AI / ML
- All
- 또한
- 아마존
- 아마존 사기 탐지기
- 중
- 금액
- an
- 분석자
- 분석하다
- 분석하는
- 및
- 이상 감지
- 어떤
- API를
- 어플리케이션
- 접근
- 있군요
- 지역
- AS
- At
- 공격
- 오토마타
- 자동적으로
- AWS
- 장벽
- 기반으로
- BE
- 때문에
- 가
- 되고
- 전에
- 수익자
- 더 나은
- 부트 스트랩
- 빌드
- 내장
- 사업
- 사업
- 단추
- by
- 전화
- 라는
- CAN
- 생산 능력
- 도전
- 과제
- 이전 단계로 돌아가기
- 변화
- 요금
- 분류 한
- 클릭
- 암호
- 커피
- 수집
- COM
- 기업
- 비교
- 콘솔에서
- 끊임없이
- 문맥
- 끊임없는
- 비용
- 만든
- 임계
- 결정적인
- Current
- 현재
- 관습
- 고객
- 고객
- 사용자 정의
- 데이터
- 데이터 공유
- 데이터 세트
- 결정
- 정의
- 보여
- 시연
- 배포
- Detection System
- 다른
- 디지털
- 토론
- 논의 된
- 드러내다
- 다양성
- do
- 말라
- 극적으로
- 운전
- 마다
- 유효성
- 노력
- 중
- 이메일
- 신흥
- 종점
- 엔진
- 우리의 영적인 행로를
- 엔티티
- 항목
- 평가
- 이벤트
- 이벤트
- 예
- 예
- 기대
- 기대
- 경험
- 설명
- 탐색
- 연장
- 그릇된
- 특색
- 피드백
- 를
- 최후의
- 금융
- 금융 기관
- 금융 부문
- Find
- 파인애플
- 초점
- 따라
- 수행원
- 럭셔리
- 사기
- 사기 탐지
- 사기 방지
- 사기꾼
- 사기의
- 사기 행위
- 무료
- 에
- 충분히
- 게다가
- 미래
- 이득
- 모임
- 생성
- 글로벌
- Government
- 매우
- 손 -에
- 있다
- he
- 무겁게
- 도움
- 도움이
- 더 높은
- 역사적인
- history
- 방법
- 그러나
- HTML
- HTTPS
- 인간
- 같은
- 확인
- 통합 인증
- 신원 확인
- 바로
- 영향
- 개선
- 개량
- 개선
- in
- 증가
- 증가
- 증가
- 증가
- 정보
- 처음에는
- 통찰력
- 불안정
- 기관
- 지능형
- 으로
- 조사
- IP
- IT
- 그
- JPG
- 알려진
- 라벨
- 결핍
- 경치
- 넓은
- 지도
- 배우다
- 배우기
- 레벨
- 처럼
- 제한된
- 제한
- 작은
- 사상자 수
- 낮은
- 저하
- 기계
- 기계 학습
- 확인
- 유튜브 영상을 만드는 것은
- 관리
- 구축
- 조작
- .
- 일치하는
- 조치들
- 메타 데이터
- 방법
- 통계
- 수도
- 최저한의
- ML
- 모델
- 모델
- 현대화
- 모니터
- 배우기
- 또한
- 여러
- name
- 신제품
- 지금
- 번호
- of
- on
- 온라인
- 만
- 최적의
- 최적화
- 선택권
- or
- 조직
- 조직
- 기타
- 우리의
- 실적이 우수한
- 위에
- 극복하다
- 자신의
- 최고의
- 열렬한
- 패턴
- 지불
- 지불 제공자
- 결제
- 성능
- 수행하다
- 제약회사
- 장소
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 포인트 적립
- 긍정적인
- 가능한
- 게시하다
- 잠재적으로
- 예측
- 예측
- 존재
- 방지
- 예방
- 문제
- 방법
- 프로세스
- 보호
- 제공
- 제공
- 제공
- 공개
- 품질
- 문제
- 빨리
- 범위
- 거주비용
- 실시간
- 감소
- 공개
- 보고
- 보고서
- 요구 사항
- 요구조건 니즈
- 연구
- 제품 자료
- 응답
- 결과
- 결과
- 리뷰
- 위험
- 위험 관리
- 직위별
- 통치
- 규칙
- 시나리오
- 과학자
- 점수
- SDK
- 부문
- 연장자
- 서브
- 서비스
- 서비스
- 설정
- 공유
- 상점
- 영상을
- 표시
- 표시
- 쇼
- 상당한
- 크게
- 간단히
- 크기
- 작은
- So
- 해결책
- 솔루션
- 풀다
- 해결
- 일부
- 정교한
- 전문가
- 전문가
- 구체적으로
- 지출
- 스타트
- 신생
- Status
- 단계
- 저장
- 상점
- 이러한
- 표면
- 체계
- 시스템은
- 테이블
- 전술
- 팀
- 기법
- Technology
- test
- 보다
- 그
- XNUMXD덴탈의
- 세계
- 그들의
- 그것에 의하여
- 따라서
- Bowman의
- 그들
- 이
- 을 통하여
- 시간
- 시간이 많이 걸리는
- 에
- 오늘의
- 함께
- 상단
- 전통적인
- Train
- 훈련 된
- 트레이닝
- 거래 내역
- 트렌드
- 일반적으로
- 궁극적으로
- 불확실성
- 업데이트
- 업데이트
- 사용
- 사용자
- 사용
- 유효 기간
- 가치
- 확인
- 확인
- 방문
- 음량
- 볼륨
- 였다
- 방법
- we
- 뭐
- 어느
- 동안
- 과
- 워크 플로우
- 일하는
- 세계
- 년
- 자신의
- 너의
- 제퍼 넷