Ponieważ coraz więcej firm zwiększa swoją obecność w Internecie, aby lepiej służyć swoim klientom, stale pojawiają się nowe wzorce oszustw. W dzisiejszym nieustannie ewoluującym środowisku cyfrowym, w którym oszuści stosują coraz bardziej wyrafinowane taktyki, wykrywanie takich oszukańczych działań i zapobieganie im stało się sprawą nadrzędną dla firm i instytucji finansowych.
Tradycyjne systemy wykrywania oszustw oparte na regułach mają ograniczoną zdolność do szybkiej iteracji, ponieważ polegają na predefiniowanych regułach i progach w celu oznaczania potencjalnie oszukańczych działań. Systemy te mogą generować dużą liczbę fałszywych alarmów, znacznie zwiększając liczbę ręcznych dochodzeń przeprowadzanych przez zespół ds. oszustw. Co więcej, ludzie są również podatni na błędy i mają ograniczoną zdolność do przetwarzania dużych ilości danych, przez co ręczne próby wykrywania oszustw są czasochłonne, co może skutkować pominięciem nieuczciwych transakcji, zwiększonymi stratami i uszczerbkiem na reputacji.
Uczenie maszynowe (ML) odgrywa kluczową rolę w wykrywaniu oszustw, ponieważ może szybko i dokładnie analizować duże ilości danych w celu identyfikacji nietypowych wzorców i możliwych trendów oszustw. Wydajność modelu oszustwa ML zależy w dużej mierze od jakości danych, na których jest szkolony, a szczególnie w przypadku modeli nadzorowanych kluczowe znaczenie mają dokładne oznakowane dane. W ML brak istotnych danych historycznych do trenowania modelu nazywa się problem z zimnym startem.
W świecie wykrywania oszustw istnieją następujące tradycyjne scenariusze zimnego startu:
- Budowanie dokładnego modelu oszustwa bez historii transakcji lub przypadków oszustwa
- Możliwość dokładnego odróżnienia legalnej działalności od oszustwa w przypadku nowych klientów i kont
- Decydujące o ryzyku płatności na adres lub beneficjenta, których system oszustw nigdy wcześniej nie widział
Istnieje wiele sposobów rozwiązania tych scenariuszy. Na przykład można użyć modeli ogólnych, znanych jako uniwersalne modele, które są zwykle szkolone na platformach udostępniania danych o oszustwach, takich jak konsorcja zajmujące się oszustwami. Wyzwanie związane z tym podejściem polega na tym, że żaden biznes nie jest równy, a wektory ataków oszustw stale się zmieniają.
Inną opcją jest użycie nienadzorowanego modelu wykrywania anomalii w celu monitorowania i ujawniania nietypowych zachowań wśród zdarzeń klientów. Wyzwanie związane z tym podejściem polega na tym, że nie wszystkie oszustwa są anomaliami i nie wszystkie anomalie są rzeczywiście oszustwami. Dlatego możesz spodziewać się wyższych wskaźników fałszywych trafień.
W tym poście pokazujemy, jak szybko uruchomić model ML zapobiegania oszustwom w czasie rzeczywistym z zaledwie 100 zdarzeniami przy użyciu Wykrywacz oszustw Amazon Nowa cecha, Chłodny początek, tym samym radykalnie obniżając barierę wejścia do niestandardowych modeli uczenia maszynowego dla wielu organizacji, które po prostu nie mają czasu ani możliwości gromadzenia i dokładnego etykietowania dużych zbiorów danych. Ponadto omawiamy, w jaki sposób za pomocą przechowywanych zdarzeń Amazon Fraud Detector możesz przeglądać wyniki i prawidłowo oznaczać zdarzenia, aby przeszkolić swoje modele, poprawiając w ten sposób skuteczność środków zapobiegania oszustwom w czasie.
Omówienie rozwiązania
Amazon Fraud Detector to w pełni zarządzana usługa wykrywania oszustw, która automatyzuje wykrywanie potencjalnie oszukańczych działań online. Możesz użyć Amazon Fraud Detector do tworzenia dostosowanych modeli wykrywania oszustw przy użyciu własnego zestawu danych historycznych, dodawać logikę decyzyjną za pomocą wbudowanego silnika reguł i organizować przepływy pracy związane z podejmowaniem decyzji o ryzyku za pomocą kliknięcia przycisku.
Wcześniej trzeba było podać ponad 10,000 400 oznaczonych zdarzeń z co najmniej 100 przykładami oszustw, aby wyszkolić model. Wraz z udostępnieniem funkcji zimnego startu można szybko trenować model z co najmniej 50 zdarzeniami i co najmniej 99 sklasyfikowanymi jako oszustwa. W porównaniu z początkowymi wymaganiami dotyczącymi danych oznacza to 87% redukcję danych historycznych i XNUMX% redukcję wymagań dotyczących etykiet.
Nowa funkcja zimnego startu zapewnia inteligentne metody wzbogacania, rozszerzania i modelowania ryzyka małych zestawów danych. Ponadto Amazon Fraud Detector wykonuje przypisywanie etykiet i pobieranie próbek dla nieoznakowanych zdarzeń.
Eksperymenty przeprowadzone z publicznymi zestawami danych pokazują, że obniżając limity do 50 oszustw i tylko 100 zdarzeń, można zbudować modele ML oszustw, które konsekwentnie przewyższają modele nienadzorowane i częściowo nadzorowane.
Wydajność modelu zimnego startu
Na zdolność modelu ML do uogólniania i dokonywania dokładnych prognoz na niewidocznych danych ma wpływ jakość i różnorodność zestawu danych szkoleniowych. Nie inaczej jest w przypadku modeli z zimnym startem. Powinieneś mieć procesy, ponieważ zbieranych jest więcej danych, aby poprawnie oznaczyć te zdarzenia i przeszkolić modele, co ostatecznie prowadzi do optymalnej wydajności modelu.
Przy mniejszych wymaganiach dotyczących danych niestabilność zgłaszanej wydajności wzrasta ze względu na zwiększoną wariancję modelu i ograniczony rozmiar danych testowych. Aby pomóc Ci zbudować właściwe oczekiwania dotyczące wydajności modelu, oprócz modelu AUC, Amazon Fraud Detector raportuje również metryki zakresu niepewności. W poniższej tabeli zdefiniowano te metryki.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
Przedział niepewności AUC | > 0.3 | Wydajność modelu jest bardzo niska i może się znacznie różnić. Oczekuj niskiej wydajności wykrywania oszustw. | Wydajność modelu jest niska i może się znacznie różnić. Oczekuj ograniczonej wydajności wykrywania oszustw. | Wydajność modelu może się znacznie różnić. |
0.1 - 0.3 | Wydajność modelu jest bardzo niska i może się znacznie różnić. Oczekuj niskiej wydajności wykrywania oszustw. | Wydajność modelu jest niska i może się znacznie różnić. Oczekuj ograniczonej wydajności wykrywania oszustw. | Wydajność modelu może się znacznie różnić. | |
<0.1 | Wydajność modelu jest bardzo niska. Oczekuj niskiej wydajności wykrywania oszustw. | Wydajność modelu jest niska. Oczekuj ograniczonej wydajności wykrywania oszustw. | Bez ostrzeżenia |
Wytrenuj model zimnego startu
Szkolenie modelu oszustwa na zimno jest identyczne ze szkoleniem dowolnego innego modelu Amazon Fraud Detector; różni się rozmiarem zbioru danych. Przykładowe zestawy danych do szkolenia na zimno można znaleźć w naszym Repozytorium GitHub. Aby wyszkolić niestandardowy model Amazon Fraud Detector, możesz skorzystać z naszych praktycznych wskazówek Tutorial. Możesz użyć Samouczek konsoli Amazon Fraud Detector albo Samouczek SDK zbudować, wyszkolić i wdrożyć model wykrywania oszustw.
Po przeszkoleniu modelu możesz przejrzeć metryki wydajności, a następnie wdrożyć go, zmieniając jego stan na Aktywna. Aby dowiedzieć się więcej o wynikach modelu i metrykach wydajności, zobacz Wyniki modelek i Modeluj wskaźniki wydajności. W tym momencie możesz teraz dodać swój model do detektora, dodaj zasady biznesowe interpretować oceny ryzyka generowane przez model i tworzyć prognozy w czasie rzeczywistym za pomocą PobierzPrzewidywanie Zdarzeń API.
Ciągłe doskonalenie modelu Fraud ML i pętla informacji zwrotnych
Dzięki funkcji Amazon Fraud Detector Cold Start możesz szybko uruchomić punkt końcowy wykrywania oszustw i natychmiast rozpocząć ochronę swoich firm. Jednak stale pojawiają się nowe wzorce oszustw, dlatego niezwykle ważne jest ponowne uczenie modeli zimnego startu przy użyciu nowszych danych w celu poprawy dokładności i skuteczności prognoz w miarę upływu czasu.
Aby pomóc Ci w iteracji modeli, Amazon Fraud Detector automatycznie przechowuje wszystkie zdarzenia wysłane do usługi w celu wnioskowania. Możesz zmienić lub sprawdzić, czy flaga pozyskiwania zdarzeń jest włączona na poziomie typu zdarzenia, jak pokazano na poniższym zrzucie ekranu.
Dzięki funkcji przechowywanych zdarzeń możesz użyć zestawu Amazon Fraud Detector SDK, aby programowo uzyskać dostęp do zdarzenia, przejrzeć metadane zdarzenia i wyjaśnienie prognozy oraz podjąć świadomą decyzję dotyczącą ryzyka. Co więcej, możesz oznaczyć zdarzenie dla przyszłego przeszkolenia modelu i ciągłego doskonalenia modelu. Na poniższym diagramie przedstawiono przykład takiego przepływu pracy.
W poniższych fragmentach kodu demonstrujemy proces etykietowania przechowywanego zdarzenia:
- Aby wykonać prognozę oszustwa w czasie rzeczywistym na zdarzeniu, wywołaj interfejs API GetEventPrediction:
Jak widać w odpowiedzi, w oparciu o dopasowaną regułę mechanizmu decyzyjnego zdarzenie powinno zostać przesłane do ręcznego sprawdzenia przez zespół ds. oszustw. Gromadząc metadane wyjaśnienia predykcji, można uzyskać wgląd w to, jak każda zmienna zdarzenia wpłynęła na wynik prognozy oszustwa modelu.
- Aby zebrać te informacje, używamy
get_event_prediction_metada
OGIEŃ:
Odpowiedź interfejsu API:
Dzięki tym spostrzeżeniom analityk ds. oszustw może podjąć świadomą decyzję dotyczącą ryzyka w odniesieniu do danego zdarzenia i zaktualizować etykietę zdarzenia.
- Aby zaktualizować etykietę zdarzenia, zadzwoń pod numer
update_event_label
OGIEŃ:
Odpowiedź API
Na koniec możesz sprawdzić, czy etykieta wydarzenia została poprawnie zaktualizowana.
- Aby zweryfikować etykietę zdarzenia, zadzwoń pod numer
get_event
OGIEŃ:
Odpowiedź API
Sprzątać
Aby uniknąć naliczania przyszłych opłat, usuń zasoby utworzone dla rozwiązania.
Wnioski
W tym poście pokazano, w jaki sposób można szybko uruchomić system zapobiegania oszustwom w czasie rzeczywistym z zaledwie 100 zdarzeniami przy użyciu nowej funkcji Amazon Fraud Detector na zimno. Omówiliśmy, w jaki sposób można używać przechowywanych zdarzeń do przeglądania wyników i prawidłowego etykietowania zdarzeń oraz ponownego uczenia modeli, poprawiając skuteczność środków zapobiegania oszustwom w miarę upływu czasu.
W pełni zarządzane usługi AWS, takie jak Amazon Fraud Detector, pomagają firmom skrócić czas analizowania zachowań użytkowników w celu wykrycia oszustw na swoich platformach i skupić się bardziej na zwiększaniu wartości biznesowej. Aby dowiedzieć się więcej o tym, jak Amazon Fraud Detector może pomóc Twojej firmie, odwiedź stronę Wykrywacz oszustw Amazona.
O autorach
Marcela Pividala jest globalnym starszym architektem rozwiązań usług AI w World-Wide Specialist Organization. Marcel ma ponad 20-letnie doświadczenie w rozwiązywaniu problemów biznesowych za pomocą technologii dla firm FinTech, dostawców płatności, farmacji i agencji rządowych. Jego obecne obszary zainteresowania to zarządzanie ryzykiem, zapobieganie oszustwom i weryfikacja tożsamości.
Julia Xu jest naukowcem w Amazon Fraud Detector. Pasjonuje się rozwiązywaniem problemów klientów z wykorzystaniem technik uczenia maszynowego. W wolnym czasie lubi wędrować, malować i odkrywać nowe kawiarnie.
Guilherme Ricci jest Starszym Architektem Rozwiązań w AWS, pomagającym Startupom modernizować i optymalizować koszty ich aplikacji. Posiada ponad 10-letnie doświadczenie z firmami z sektora finansowego, obecnie współpracuje z zespołem specjalistów AI/ML.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :ma
- :Jest
- :nie
- :Gdzie
- 000
- 1
- 10
- 100
- 20
- 20 roku
- 200
- 39
- 50
- 7
- 8
- 9
- a
- zdolność
- Zdolny
- O nas
- dostęp
- precyzja
- dokładny
- dokładnie
- zajęcia
- działalność
- adres
- agencje
- AI
- Usługi AI
- AI / ML
- Wszystkie kategorie
- również
- Amazonka
- Wykrywacz oszustw Amazon
- wśród
- kwoty
- an
- analityk
- w czasie rzeczywistym sprawiają,
- Analizując
- i
- wykrywanie anomalii
- każdy
- api
- aplikacje
- podejście
- SĄ
- obszary
- AS
- At
- atakować
- automaty
- automatycznie
- AWS
- bariera
- na podstawie
- BE
- bo
- stają się
- staje
- zanim
- beneficjant
- Ulepsz Swój
- Bootstrap
- budować
- wbudowany
- biznes
- biznes
- przycisk
- by
- wezwanie
- nazywa
- CAN
- Pojemność
- wyzwanie
- wyzwania
- zmiana
- wymiana pieniędzy
- Opłaty
- sklasyfikowany
- kliknij
- kod
- Kawa
- zbierać
- COM
- Firmy
- w porównaniu
- Konsola
- stale
- kontekst
- ciągły
- Koszty:
- stworzony
- krytyczny
- istotny
- Aktualny
- Obecnie
- zwyczaj
- klient
- Klientów
- dostosowane
- dane
- udostępnianie danych
- zbiory danych
- decyzja
- Definiuje
- wykazać
- wykazać
- rozwijać
- Wykrywanie
- różne
- cyfrowy
- dyskutować
- omówione
- rozróżniać
- Różnorodność
- do
- nie
- dramatycznie
- jazdy
- każdy
- skuteczność
- starania
- bądź
- wschodzących
- Punkt końcowy
- silnik
- wzbogacanie
- podmioty
- wejście
- oceny
- wydarzenie
- wydarzenia
- przykład
- przykłady
- oczekiwać
- oczekiwanie
- doświadczenie
- wyjaśnienie
- Exploring
- rozsuwalny
- fałszywy
- Cecha
- informacja zwrotna
- kilka
- finał
- budżetowy
- Instytucje finansowe
- Sektor finansowy
- Znajdź
- fintechy
- Skupiać
- obserwuj
- następujący
- W razie zamówieenia projektu
- oszustwo
- wykrywanie oszustw
- ZAPOBIEGANIE NADUŻYCIOM
- oszuści
- nieuczciwy
- oszukańcza działalność
- Darmowy
- od
- w pełni
- Ponadto
- przyszłość
- Wzrost
- zebranie
- Generować
- Globalne
- Rząd
- bardzo
- hands-on
- Have
- he
- ciężko
- pomoc
- pomoc
- wyższy
- historyczny
- historia
- W jaki sposób
- Jednak
- HTML
- HTTPS
- Ludzie
- identiques
- zidentyfikować
- tożsamość
- weryfikacja tożsamości
- natychmiast
- wpływ
- podnieść
- poprawa
- poprawy
- in
- Zwiększać
- wzrosła
- Zwiększenia
- wzrastający
- poinformowany
- początkowy
- spostrzeżenia
- niestabilność
- instytucje
- Inteligentny
- najnowszych
- Dochodzenia
- IP
- IT
- JEGO
- jpg
- znany
- Etykieta
- Brak
- krajobraz
- duży
- prowadzący
- UCZYĆ SIĘ
- nauka
- poziom
- lubić
- Ograniczony
- Limity
- mało
- straty
- niski
- Opuszczenie
- maszyna
- uczenie maszynowe
- robić
- Dokonywanie
- zarządzane
- i konserwacjami
- podręcznik
- wiele
- dopasowane
- środków
- Metadane
- metody
- Metryka
- może
- minimum
- ML
- model
- modele
- zmodernizować
- monitor
- jeszcze
- Ponadto
- wielokrotność
- Nazwa
- Nowości
- już dziś
- numer
- of
- on
- Online
- tylko
- Optymalny
- Optymalizacja
- Option
- or
- organizacja
- organizacji
- Inne
- ludzkiej,
- Przewyższają
- koniec
- Przezwyciężać
- własny
- najważniejszy
- namiętny
- wzory
- płatność
- dostawcy płatności
- płatności
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonuje
- Pharma
- Miejsce
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- punkt
- pozytywny
- możliwy
- Post
- potencjalnie
- przepowiednia
- Przewidywania
- obecność
- zapobieganie
- Zapobieganie
- problemy
- wygląda tak
- procesów
- ochrony
- zapewniać
- dostawców
- zapewnia
- publiczny
- jakość
- pytanie
- szybko
- zasięg
- ceny
- w czasie rzeczywistym
- zmniejszyć
- zwolnić
- Zgłoszone
- Raporty
- wymaganie
- wymagania
- Badania naukowe
- Zasoby
- odpowiedź
- dalsze
- Efekt
- przeglądu
- Ryzyko
- Zarządzanie ryzykiem
- Rola
- Zasada
- reguły
- scenariusze
- Naukowiec
- wynik
- Sdk
- sektor
- senior
- służyć
- usługa
- Usługi
- Zestawy
- dzielenie
- sklepy
- powinien
- pokazać
- pokazane
- Targi
- znaczący
- znacznie
- po prostu
- Rozmiar
- mały
- So
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- Rozwiązywanie
- kilka
- wyrafinowany
- specjalista
- Specjaliści
- swoiście
- wydać
- początek
- Startups
- Rynek
- Ewolucja krok po kroku
- przechowywany
- sklep
- taki
- Powierzchnia
- system
- systemy
- stół
- taktyka
- zespół
- Techniki
- Technologia
- test
- niż
- że
- Połączenia
- świat
- ich
- a tym samym
- w związku z tym
- Te
- one
- to
- Przez
- czas
- czasochłonne
- do
- dzisiaj
- razem
- Top
- tradycyjny
- Pociąg
- przeszkolony
- Trening
- transakcje
- Trendy
- zazwyczaj
- Ostatecznie
- Niepewność
- Aktualizacja
- zaktualizowane
- posługiwać się
- Użytkownik
- za pomocą
- UPRAWOMOCNIĆ
- wartość
- Weryfikacja
- zweryfikować
- Odwiedzić
- Tom
- kłęby
- była
- sposoby
- we
- Co
- który
- Podczas
- w
- przepływów pracy
- pracujący
- świat
- lat
- You
- Twój
- zefirnet