Naarmate meer bedrijven hun online aanwezigheid uitbreiden om hun klanten beter van dienst te zijn, duiken er voortdurend nieuwe fraudepatronen op. In het steeds evoluerende digitale landschap van vandaag, waar fraudeurs steeds geavanceerder worden in hun tactieken, is het opsporen en voorkomen van dergelijke frauduleuze activiteiten van cruciaal belang geworden voor bedrijven en financiรซle instellingen.
Traditionele op regels gebaseerde fraudedetectiesystemen zijn beperkt in hun vermogen om snel te herhalen, omdat ze afhankelijk zijn van vooraf gedefinieerde regels en drempels om mogelijk frauduleuze activiteiten te signaleren. Deze systemen kunnen een groot aantal fout-positieven genereren, waardoor het aantal handmatige onderzoeken dat door het fraudeteam wordt uitgevoerd aanzienlijk toeneemt. Bovendien zijn mensen ook foutgevoelig en hebben ze een beperkte capaciteit om grote hoeveelheden gegevens te verwerken, waardoor handmatige pogingen om fraude op te sporen tijdrovend zijn, wat kan leiden tot gemiste frauduleuze transacties, grotere verliezen en reputatieschade.
Machine learning (ML) speelt een cruciale rol bij het opsporen van fraude, omdat het snel en nauwkeurig grote hoeveelheden gegevens kan analyseren om afwijkende patronen en mogelijke fraudetrends te identificeren. De prestaties van het ML-fraudemodel zijn sterk afhankelijk van de kwaliteit van de gegevens waarop het is getraind, en met name voor de gesuperviseerde modellen zijn nauwkeurig gelabelde gegevens van cruciaal belang. In ML wordt een gebrek aan significante historische gegevens om een โโmodel te trainen de koude start probleem.
In de wereld van fraudedetectie zijn de volgende enkele traditionele scenario's voor een koude start:
- Een nauwkeurig fraudemodel bouwen zonder een geschiedenis van transacties of fraudezaken
- In staat zijn om legitieme activiteiten nauwkeurig te onderscheiden van fraude voor nieuwe klanten en accounts
- Risicobepalende betalingen aan een adres of begunstigde die het fraudesysteem nog nooit eerder heeft gezien
Er zijn meerdere manieren om deze scenario's op te lossen. U kunt bijvoorbeeld generieke modellen gebruiken, ook wel 'one-size-fits-all'-modellen genoemd, die doorgaans worden getraind op platforms voor het delen van fraudegegevens, zoals fraudeconsortia. De uitdaging bij deze aanpak is dat geen enkel bedrijf gelijk is en dat de aanvalsvectoren voor fraude voortdurend veranderen.
Een andere optie is om een โโanomaliedetectiemodel zonder toezicht te gebruiken om ongebruikelijk gedrag bij klantgebeurtenissen te monitoren en aan het licht te brengen. De uitdaging bij deze aanpak is dat niet alle fraudegebeurtenissen anomalieรซn zijn en dat niet alle anomalieรซn inderdaad fraude zijn. Daarom kunt u hogere percentages valse positieven verwachten.
In dit bericht laten we zien hoe u snel een real-time ML-model voor fraudepreventie kunt opstarten met slechts 100 gebeurtenissen met behulp van de Amazone fraude detector nieuwe functie, Koude start, waardoor de toegangsdrempel tot aangepaste ML-modellen drastisch wordt verlaagd voor veel organisaties die simpelweg niet de tijd of de mogelijkheid hebben om grote datasets te verzamelen en nauwkeurig te labelen. Bovendien bespreken we hoe u, door gebruik te maken van door Amazon Fraud Detector opgeslagen gebeurtenissen, de resultaten kunt bekijken en de gebeurtenissen correct kunt labelen om uw modellen opnieuw te trainen, waardoor de effectiviteit van maatregelen voor fraudepreventie in de loop van de tijd wordt verbeterd.
Overzicht oplossingen
Amazon Fraud Detector is een volledig beheerde fraudedetectieservice die het detecteren van potentieel frauduleuze online activiteiten automatiseert. U kunt Amazon Fraud Detector gebruiken om aangepaste fraudedetectiemodellen te bouwen met behulp van uw eigen historische dataset, beslissingslogica toe te voegen met behulp van de ingebouwde regelengine en workflows voor risicobeslissingen te orkestreren met een klik op een knop.
Voorheen moest u meer dan 10,000 gelabelde evenementen met minstens 400 voorbeelden van fraude aanleveren om een โโmodel te trainen. Met de release van de Cold Start-functie kun je snel een model trainen met minimaal 100 gebeurtenissen en minimaal 50 geclassificeerd als fraude. Vergeleken met de initiรซle gegevensvereisten is dit een reductie van 99% in historische gegevens en een reductie van 87% in labelvereisten.
De nieuwe Cold Start-functie biedt intelligente methoden voor het verrijken, uitbreiden en risicomodelleren van kleine datasets. Bovendien voert Amazon Fraud Detector labeltoewijzingen en steekproeven uit voor niet-gelabelde evenementen.
Experimenten uitgevoerd met openbare datasets tonen aan dat u, door de limieten te verlagen tot 50 fraude en slechts 100 gebeurtenissen, ML-modellen voor fraude kunt bouwen die consistent beter presteren dan niet-gecontroleerde en semi-gecontroleerde modellen.
Prestaties van het Cold Start-model
Het vermogen van een ML-model om te generaliseren en nauwkeurige voorspellingen te doen op ongeziene gegevens wordt beรฏnvloed door de kwaliteit en diversiteit van de trainingsgegevensset. Voor Cold Start-modellen is dit niet anders. U moet processen hebben naarmate er meer gegevens worden verzameld om deze gebeurtenissen correct te labelen en de modellen opnieuw te trainen, wat uiteindelijk leidt tot optimale modelprestaties.
Met een lagere gegevensvereiste neemt de instabiliteit van de gerapporteerde prestaties toe vanwege de grotere variantie van het model en de beperkte omvang van de testgegevens. Om u te helpen de juiste verwachting van modelprestaties op te bouwen, rapporteert Amazon Fraud Detector naast model-AUC ook onzekerheidsbereikstatistieken. De volgende tabel definieert deze statistieken.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
AUC-onzekerheidsinterval | > 0.3 | De prestaties van het model zijn erg laag en kunnen sterk variรซren. Verwacht lage fraudedetectieprestaties. | De prestaties van het model zijn laag en kunnen sterk variรซren. Verwacht beperkte prestaties op het gebied van fraudedetectie. | De prestaties van het model kunnen sterk variรซren. |
0.1 - 0.3 | De prestaties van het model zijn erg laag en kunnen aanzienlijk variรซren. Verwacht lage fraudedetectieprestaties. | De prestaties van het model zijn laag en kunnen aanzienlijk variรซren. Verwacht beperkte prestaties op het gebied van fraudedetectie. | De prestaties van het model kunnen aanzienlijk variรซren. | |
<0.1 | De prestaties van het model zijn erg laag. Verwacht lage fraudedetectieprestaties. | De prestaties van het model zijn laag. Verwacht beperkte prestaties op het gebied van fraudedetectie. | Geen waarschuwing |
Train een Cold Start-model
Het trainen van een Cold Start-fraudemodel is identiek aan het trainen van elk ander Amazon Fraud Detector-model; wat verschilt is de grootte van de dataset. U kunt voorbeelddatasets voor Cold Start-training vinden in onze GitHub-opslagplaats. Om een โโaangepast Amazon Fraud Detector-model te trainen, kun je onze hands-on volgen zelfstudie. U kunt ofwel de Zelfstudie Amazon Fraud Detector-console of de SDK-zelfstudie om een โโmodel voor fraudedetectie te bouwen, trainen en implementeren.
Nadat uw model is getraind, kunt u prestatiestatistieken bekijken en deze vervolgens implementeren door de status te wijzigen in Actief. Zie voor meer informatie over modelscores en prestatiestatistieken Modelscores en Model prestatiestatistieken. Op dit punt kunt u nu uw model aan uw detector toevoegen, toevoegen bedrijfsregels om de risicoscores die het model uitvoert te interpreteren en real-time voorspellingen te doen met behulp van de GetEventPrediction API.
Fraude ML-model voor continue verbetering en feedbacklus
Met de Amazon Fraud Detector Cold Start-functie kunt u snel een fraudedetector-eindpunt opstarten en uw bedrijven onmiddellijk beschermen. Er duiken echter voortdurend nieuwe fraudepatronen op, dus het is van cruciaal belang om Cold Start-modellen opnieuw te trainen met nieuwere gegevens om de nauwkeurigheid en effectiviteit van de voorspellingen in de loop van de tijd te verbeteren.
Om u te helpen bij het herhalen van uw modellen, slaat Amazon Fraud Detector automatisch alle gebeurtenissen op die naar de service zijn verzonden voor gevolgtrekking. U kunt de vlag voor gebeurtenisopname wijzigen of valideren op gebeurtenistypeniveau, zoals weergegeven in de volgende schermafbeelding.
Met de functie voor opgeslagen gebeurtenissen kunt u de Amazon Fraud Detector SDK gebruiken om programmatisch toegang te krijgen tot een gebeurtenis, de metadata van de gebeurtenis en de voorspellingsverklaring te bekijken en een weloverwogen risicobeslissing te nemen. Bovendien kunt u het evenement labelen voor toekomstige modelherscholing en continue modelverbetering. Het volgende diagram toont een voorbeeld van deze werkstroom.
In de volgende codefragmenten demonstreren we het proces om een โโopgeslagen gebeurtenis te labelen:
- Roep de GetEventPrediction API aan om een โโreal-time fraudevoorspelling voor een gebeurtenis te doen:
Zoals te zien is in het antwoord, moet de gebeurtenis op basis van de overeenkomende beslissingsengineregel worden verzonden voor handmatige beoordeling door het fraudeteam. Door de metadata van de voorspellingsverklaring te verzamelen, kunt u inzicht krijgen in hoe elke gebeurtenisvariabele de fraudevoorspellingsscore van het model beรฏnvloedde.
- Om deze inzichten te verzamelen, gebruiken we de
get_event_prediction_metada
API:
API-reactie:
Met deze inzichten kan de fraudeanalist een weloverwogen risicobeslissing nemen over de betreffende gebeurtenis en het gebeurtenislabel bijwerken.
- Om het gebeurtenislabel bij te werken, belt u de
update_event_label
API:
API-reactie
Als laatste stap kun je controleren of het gebeurtenislabel correct is bijgewerkt.
- Om het gebeurtenislabel te verifiรซren, belt u de
get_event
API:
API-reactie
Opruimen
Om toekomstige kosten te voorkomen, verwijdert u de resources die voor de oplossing zijn gemaakt.
Conclusie
Dit bericht liet zien hoe je snel een realtime fraudepreventiesysteem kunt starten met slechts 100 gebeurtenissen met behulp van de nieuwe Cold Start-functie van Amazon Fraud Detector. We hebben besproken hoe u opgeslagen gebeurtenissen kunt gebruiken om resultaten te bekijken en de gebeurtenissen correct te labelen en uw modellen opnieuw te trainen, waardoor de effectiviteit van fraudepreventiemaatregelen in de loop van de tijd verbetert.
Volledig beheerde AWS-services zoals Amazon Fraud Detector helpen bedrijven minder tijd te besteden aan het analyseren van gebruikersgedrag om fraude op hun platforms te identificeren en zich meer te richten op het vergroten van de bedrijfswaarde. Ga naar voor meer informatie over hoe Amazon Fraud Detector uw bedrijf kan helpen Amazon fraudedetector.
Over de auteurs
Marcel Pividal is een Global Sr. AI Services Solutions Architect in de World-Wide Specialist Organization. Marcel heeft meer dan 20 jaar ervaring met het oplossen van bedrijfsproblemen door middel van technologie voor FinTechs, betalingsproviders, farma en overheidsinstanties. Zijn huidige aandachtsgebieden zijn risicomanagement, fraudepreventie en identiteitsverificatie.
Julia Xu is een onderzoekswetenschapper bij Amazon Fraud Detector. Ze is gepassioneerd door het oplossen van klantuitdagingen met behulp van machine learning-technieken. In haar vrije tijd houdt ze van wandelen, schilderen en het verkennen van nieuwe coffeeshops.
Guilherme Ricci is Senior Solution Architect bij AWS en helpt startups bij het moderniseren en optimaliseren van de kosten van hun applicaties. Met meer dan 10 jaar ervaring bij bedrijven in de financiรซle sector werkt hij momenteel samen met het team van AI/ML-specialisten.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
- De toekomst slaan met Adryenn Ashley. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- : heeft
- :is
- :niet
- :waar
- 000
- 1
- 10
- 100
- 20
- 20 jaar
- 200
- 39
- 50
- 7
- 8
- 9
- a
- vermogen
- in staat
- Over
- toegang
- nauwkeurigheid
- accuraat
- nauwkeurig
- activiteiten
- activiteit
- adres
- agentschappen
- AI
- AI-diensten
- AI / ML
- Alles
- ook
- Amazone
- Amazone fraude detector
- onder
- hoeveelheden
- an
- analist
- analyseren
- het analyseren van
- en
- onregelmatigheidsdetectie
- elke
- api
- toepassingen
- nadering
- ZIJN
- gebieden
- AS
- At
- aanvallen
- automaten
- webmaster.
- AWS
- barriรจre
- gebaseerde
- BE
- omdat
- worden
- worden
- vaardigheden
- begunstigde
- Betere
- Bootstrap
- bouw
- ingebouwd
- bedrijfsdeskundigen
- ondernemingen
- by
- Bellen
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- CAN
- Inhoud
- uitdagen
- uitdagingen
- verandering
- veranderende
- lasten
- geklasseerd
- Klik
- code
- Koffie
- verzamelen
- COM
- Bedrijven
- vergeleken
- troosten
- permanent
- verband
- doorlopend
- Kosten
- aangemaakt
- kritisch
- cruciaal
- Actueel
- Op dit moment
- gewoonte
- klant
- Klanten
- aangepaste
- gegevens
- het delen van gegevens
- datasets
- beslissing
- definieert
- tonen
- gedemonstreerd
- implementeren
- Opsporing
- anders
- digitaal
- bespreken
- besproken
- onderscheiden
- Verscheidenheid
- do
- Dont
- dramatisch
- aandrijving
- elk
- effectiviteit
- inspanningen
- beide
- opkomende
- Endpoint
- Motor
- verrijkende
- entiteiten
- toegang
- evaluaties
- Event
- EVENTS
- voorbeeld
- voorbeelden
- verwachten
- verwachting
- ervaring
- uitleg
- Verkennen
- verlenging
- vals
- Kenmerk
- feedback
- weinig
- finale
- financieel
- Financiรซle instellingen
- Financiรซle sector
- VIND DE PLEK DIE PERFECT VOOR JOU IS
- fintechs
- Focus
- volgen
- volgend
- Voor
- bedrog
- fraude detectie
- FRAUDEPREVENTIE
- fraudeurs
- frauduleus
- frauduleuze activiteit
- Gratis
- oppompen van
- geheel
- Bovendien
- toekomst
- Krijgen
- verzameling
- voortbrengen
- Globaal
- Overheid
- sterk
- hands-on
- Hebben
- he
- hard
- hulp
- het helpen van
- hoger
- historisch
- geschiedenis
- Hoe
- Echter
- HTML
- HTTPS
- Mensen
- identiek
- identificeren
- Identiteit
- identiteit verificatie
- per direct
- beรฏnvloed
- verbeteren
- verbetering
- het verbeteren van
- in
- Laat uw omzet
- meer
- Verhoogt
- meer
- op de hoogte
- eerste
- inzichten
- instabiliteit
- instellingen
- Intelligent
- in
- onderzoeken
- IP
- IT
- HAAR
- jpg
- bekend
- label
- Gebrek
- Landschap
- Groot
- leidend
- LEARN
- leren
- Niveau
- als
- Beperkt
- grenzen
- Elke kleine stap levert grote resultaten op!
- verliezen
- Laag
- Het verlagen van
- machine
- machine learning
- maken
- maken
- beheerd
- management
- handboek
- veel
- op elkaar afgestemd
- maatregelen
- Metadata
- methoden
- Metriek
- macht
- minimum
- ML
- model
- modellen
- moderniseren
- monitor
- meer
- Bovendien
- meervoudig
- naam
- New
- nu
- aantal
- of
- on
- online.
- Slechts
- optimale
- Optimaliseer
- Keuze
- or
- organisatie
- organisaties
- Overige
- onze
- Overtreffen
- over
- Overwinnen
- het te bezitten.
- Hoogste
- hartstochtelijk
- patronen
- betaling
- betalingsproviders
- betalingen
- prestatie
- presteert
- Pharma
- plaats
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- punt
- positief
- mogelijk
- Post
- mogelijk
- voorspelling
- Voorspellingen
- aanwezigheid
- het voorkomen van
- het voorkomen
- problemen
- processen
- beschermen
- zorgen voor
- providers
- biedt
- publiek
- kwaliteit
- vraag
- snel
- reeks
- Tarieven
- real-time
- verminderen
- los
- gemeld
- Rapporten
- vereiste
- Voorwaarden
- onderzoek
- Resources
- antwoord
- resultaat
- Resultaten
- beoordelen
- Risico
- risicobeheer
- Rol
- Regel
- reglement
- scenario's
- Wetenschapper
- partituur
- sdk
- sector
- senior
- dienen
- service
- Diensten
- Sets
- delen
- winkels
- moet
- tonen
- getoond
- Shows
- aanzienlijke
- aanzienlijk
- eenvoudigweg
- Maat
- Klein
- So
- oplossing
- Oplossingen
- OPLOSSEN
- Het oplossen van
- sommige
- geraffineerd
- specialist
- specialisten
- specifiek
- besteden
- begin
- Startups
- Status
- Stap voor
- opgeslagen
- winkels
- dergelijk
- Oppervlak
- system
- Systems
- tafel
- tactiek
- team
- technieken
- Technologie
- proef
- neem contact
- dat
- De
- de wereld
- hun
- daarbij
- daarom
- Deze
- ze
- dit
- Door
- niet de tijd of
- tijdrovend
- naar
- vandaag
- samen
- top
- traditioneel
- Trainen
- getraind
- Trainingen
- Transacties
- Trends
- typisch
- Tenslotte
- Onzekerheid
- bijwerken
- bijgewerkt
- .
- Gebruiker
- gebruik
- BEVESTIG
- waarde
- Verificatie
- controleren
- Bezoek
- volume
- volumes
- was
- manieren
- we
- Wat
- welke
- en
- Met
- workflows
- werkzaam
- wereld
- jaar
- You
- Your
- zephyrnet