Pe măsură ce tot mai multe companii își măresc prezența online pentru a-și servi mai bine clienții, apar în mod constant noi modele de fraudă. În peisajul digital de astăzi în continuă evoluție, în care fraudatorii devin din ce în ce mai sofisticați în tacticile lor, detectarea și prevenirea unor astfel de activități frauduloase a devenit esențială pentru companii și instituții financiare.
Sistemele tradiționale de detectare a fraudei bazate pe reguli sunt limitate în capacitatea lor de a repeta rapid, deoarece se bazează pe reguli și praguri predefinite pentru a semnala activități potențial frauduloase. Aceste sisteme pot genera un număr mare de fals pozitive, crescând semnificativ volumul investigațiilor manuale efectuate de echipa de fraudă. În plus, oamenii sunt, de asemenea, predispuși la erori și au o capacitate limitată de a procesa cantități mari de date, făcând eforturi manuale pentru a detecta frauda consumatoare de timp, ceea ce poate duce la ratarea tranzacțiilor frauduloase, pierderi crescute și daune reputației.
Învățarea automată (ML) joacă un rol crucial în detectarea fraudei, deoarece poate analiza rapid și cu acuratețe volume mari de date pentru a identifica modele anormale și posibile tendințe de fraudă. Performanța modelului de fraudă ML se bazează în mare măsură pe calitatea datelor pe care este instruit și, în special pentru modelele supravegheate, datele etichetate precise sunt cruciale. În ML, lipsa unor date istorice semnificative pentru a antrena un model se numește problema pornirii la rece.
În lumea detectării fraudelor, următoarele sunt câteva scenarii tradiționale de pornire la rece:
- Construirea unui model de fraudă precis, fără un istoric al tranzacțiilor sau cazurilor de fraudă
- A fi capabil să distingă cu exactitate activitatea legitimă de fraudă pentru clienții și conturile noi
- Plăți de decizie de risc către o adresă sau un beneficiar nemaivăzut până acum de sistemul de fraudă
Există mai multe moduri de a rezolva aceste scenarii. De exemplu, puteți utiliza modele generice, cunoscute sub denumirea de modele universale, care sunt de obicei instruite pe platformele de partajare a datelor despre fraudă, cum ar fi consorțiile de fraudă. Provocarea acestei abordări este că nicio afacere nu este egală, iar vectorii de atac de fraudă se schimbă constant.
O altă opțiune este utilizarea unui model de detectare a anomaliilor nesupravegheate pentru a monitoriza și a evidenția comportamentul neobișnuit în rândul evenimentelor clienților. Provocarea acestei abordări este că nu toate evenimentele de fraudă sunt anomalii și nu toate anomaliile sunt într-adevăr fraude. Prin urmare, vă puteți aștepta la rate mai mari de fals pozitive.
În această postare, vă arătăm cum puteți porni rapid un model ML de prevenire a fraudei în timp real cu aproximativ 100 de evenimente folosind Detector de fraude Amazon optiune noua, Pornire la rece, reducând astfel drastic bariera de intrare la modelele personalizate ML pentru multe organizații care pur și simplu nu au timpul sau capacitatea de a colecta și eticheta cu acuratețe seturi de date mari. Mai mult, discutăm despre modul în care, utilizând evenimentele stocate Amazon Fraud Detector, puteți revizui rezultatele și eticheta corect evenimentele pentru a vă reeduca modelele, îmbunătățind astfel eficacitatea măsurilor de prevenire a fraudei în timp.
Prezentare generală a soluțiilor
Amazon Fraud Detector este un serviciu de detectare a fraudei complet gestionat care automatizează detectarea activităților potențial frauduloase online. Puteți utiliza Amazon Fraud Detector pentru a crea modele personalizate de detectare a fraudei folosind propriul set de date istorice, puteți adăuga logica de decizie utilizând motorul de reguli încorporat și pentru a orchestra fluxurile de lucru privind deciziile de risc cu un clic pe un buton.
Anterior, trebuia să oferiți peste 10,000 de evenimente etichetate cu cel puțin 400 de exemple de fraudă pentru a instrui un model. Odată cu lansarea funcției Cold Start, puteți antrena rapid un model cu minim 100 de evenimente și cel puțin 50 clasificate ca fraudă. În comparație cu cerințele inițiale de date, aceasta este o reducere cu 99% a datelor istorice și o reducere cu 87% a cerințelor pentru etichetă.
Noua caracteristică Cold Start oferă metode inteligente pentru îmbogățirea, extinderea și modelarea riscurilor seturi mici de date. În plus, Amazon Fraud Detector realizează atribuiri de etichete și eșantionare pentru evenimentele neetichetate.
Experimentele efectuate cu seturi de date publice arată că, prin scăderea limitelor la 50 de fraude și la doar 100 de evenimente, puteți construi modele ML de fraudă care depășesc în mod constant modelele nesupravegheate și semi-supravegheate.
Performanța modelului Cold Start
Capacitatea unui model ML de a generaliza și de a face predicții precise asupra datelor nevăzute este afectată de calitatea și diversitatea setului de date de antrenament. Pentru modelele Cold Start, acest lucru nu este diferit. Ar trebui să aveți procese pe măsură ce sunt colectate mai multe date pentru a eticheta corect aceste evenimente și a reinstrui modelele, conducând în cele din urmă la o performanță optimă a modelului.
Cu o cerință mai mică de date, instabilitatea performanței raportate crește din cauza variației crescute a modelului și a dimensiunii limitate a datelor de testare. Pentru a vă ajuta să creați așteptările corecte privind performanța modelului, pe lângă modelul AUC, Amazon Fraud Detector raportează și valorile intervalului de incertitudine. Următorul tabel definește aceste valori.
. | . | ASC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
Interval de incertitudine AUC | > 0.3 | Performanța modelului este foarte scăzută și poate varia foarte mult. Așteptați-vă la performanțe scăzute de detectare a fraudelor. | Performanța modelului este scăzută și poate varia foarte mult. Așteptați o performanță limitată de detectare a fraudei. | Performanța modelului poate varia foarte mult. |
0.1 - 0.3 | Performanța modelului este foarte scăzută și poate varia semnificativ. Așteptați-vă la performanțe scăzute de detectare a fraudelor. | Performanța modelului este scăzută și poate varia semnificativ. Așteptați o performanță limitată de detectare a fraudei. | Performanța modelului poate varia semnificativ. | |
<0.1 | Performanța modelului este foarte scăzută. Așteptați o performanță scăzută de detectare a fraudelor. | Performanța modelului este scăzută. Așteptați o performanță limitată de detectare a fraudei. | Fără avertisment |
Antrenează un model Cold Start
Antrenarea unui model de fraudă Cold Start este identică cu formarea oricărui alt model Amazon Fraud Detector; ceea ce diferă este dimensiunea setului de date. Puteți găsi exemple de seturi de date pentru antrenamentul Cold Start în cadrul nostru Repo GitHub. Pentru a instrui un model personalizat Amazon Fraud Detector, ne puteți urma practic tutorial. Puteți folosi fie Tutorial pentru consola Amazon Fraud Detector sau Tutorial SDK pentru a construi, instrui și implementa un model de detectare a fraudei.
După ce modelul dvs. este antrenat, puteți examina valorile de performanță și apoi îl puteți implementa schimbându-i starea în Activ. Pentru a afla mai multe despre scorurile modelului și valorile de performanță, consultați Scoruri de model și Valori de performanță a modelului. În acest moment, acum puteți adăuga modelul dvs. la detector, adăugați regulile de afaceri pentru a interpreta scorurile de risc pe care modelul le oferă și pentru a face predicții în timp real folosind GetEventPrediction API-ul.
Îmbunătățirea continuă a modelului Fraud ML și buclă de feedback
Cu funcția Amazon Fraud Detector Cold Start, puteți porni rapid un punct final de detectare a fraudei și puteți începe să vă protejați imediat afacerile. Cu toate acestea, noi modele de fraudă apar în mod constant, așa că este esențial să reantrenați modelele Cold Start cu date mai noi pentru a îmbunătăți acuratețea și eficacitatea predicțiilor în timp.
Pentru a vă ajuta să repetați modelele dvs., Amazon Fraud Detector stochează automat toate evenimentele trimise serviciului pentru deducere. Puteți modifica sau valida că indicatorul de asimilare a evenimentelor este activat la nivelul tipului de eveniment, așa cum se arată în următoarea captură de ecran.
Cu funcția de evenimente stocate, puteți utiliza SDK-ul Amazon Fraud Detector pentru a accesa în mod programatic un eveniment, pentru a revizui metadatele evenimentului și explicația predicției și pentru a lua o decizie informată de risc. Mai mult, puteți eticheta evenimentul pentru recalificarea viitoare a modelului și îmbunătățirea continuă a modelului. Următoarea diagramă prezintă un exemplu al acestui flux de lucru.
În următoarele fragmente de cod, demonstrăm procesul de etichetare a unui eveniment stocat:
- Pentru a face o predicție a fraudei în timp real asupra unui eveniment, apelați API-ul GetEventPrediction:
După cum se vede în răspuns, pe baza regulii motorului de decizie potrivită, evenimentul ar trebui trimis spre revizuire manuală de către echipa de fraudă. Prin colectarea metadatelor explicației predicției, puteți obține informații despre modul în care fiecare variabilă de eveniment a afectat scorul de predicție a fraudei al modelului.
- Pentru a colecta aceste informații, folosim
get_event_prediction_metada
API-uri:
Răspuns API:
Cu aceste informații, analistul de fraudă poate lua o decizie de risc informată cu privire la evenimentul în cauză și poate actualiza eticheta evenimentului.
- Pentru a actualiza eticheta evenimentului, apelați
update_event_label
API-uri:
Răspuns API
Ca pas final, puteți verifica dacă eticheta evenimentului a fost actualizată corect.
- Pentru a verifica eticheta evenimentului, sunați la
get_event
API-uri:
Răspuns API
A curăța
Pentru a evita costurile viitoare, ștergeți resursele create pentru soluție.
Concluzie
Această postare a demonstrat cum puteți porni rapid un sistem de prevenire a fraudei în timp real cu până la 100 de evenimente folosind noua funcție Cold Start Amazon Fraud Detector. Am discutat despre modul în care puteți utiliza evenimentele stocate pentru a revizui rezultatele și a eticheta corect evenimentele și a reinstrui modelele, îmbunătățind eficacitatea măsurilor de prevenire a fraudei în timp.
Serviciile AWS gestionate complet, cum ar fi Amazon Fraud Detector, ajută la reducerea timpului petrecut de companii analizând comportamentul utilizatorilor pentru a identifica frauda în platformele lor și se concentrează mai mult pe creșterea valorii afacerii. Pentru a afla mai multe despre modul în care Amazon Fraud Detector vă poate ajuta afacerea, vizitați Detector de fraudă Amazon.
Despre Autori
Marcel Pividal este un arhitect global senior de soluții de servicii AI în cadrul organizației de specialitate la nivel mondial. Marcel are peste 20 de ani de experiență în rezolvarea problemelor de afaceri prin tehnologie pentru FinTech, furnizori de plăți, farmacie și agenții guvernamentale. Domeniile sale actuale de concentrare sunt managementul riscurilor, prevenirea fraudei și verificarea identității.
Julia Xu este cercetător de știință cu Amazon Fraud Detector. Este pasionată de rezolvarea provocărilor clienților folosind tehnici de învățare automată. În timpul liber, îi place să facă drumeții, să picteze și să exploreze noi cafenele.
Guilherme Ricci este arhitect senior de soluții la AWS, ajutând startup-urile să modernizeze și să optimizeze costurile aplicațiilor lor. Cu peste 10 ani de experiență cu companii din sectorul financiar, în prezent lucrează împreună cu echipa de specialiști AI/ML.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Mintând viitorul cu Adryenn Ashley. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :are
- :este
- :nu
- :Unde
- 000
- 1
- 10
- 100
- 20
- ani 20
- 200
- 39
- 50
- 7
- 8
- 9
- a
- capacitate
- Capabil
- Despre Noi
- acces
- precizie
- precis
- precis
- activităţi de
- activitate
- adresa
- Agențiile
- AI
- Servicii AI
- AI / ML
- TOATE
- de asemenea
- Amazon
- Detector de fraude Amazon
- printre
- Sume
- an
- analist
- analiza
- analiza
- și
- detectarea anomaliilor
- Orice
- api
- aplicatii
- abordare
- SUNT
- domenii
- AS
- At
- ataca
- automate
- în mod automat
- AWS
- barieră
- bazat
- BE
- deoarece
- deveni
- devenire
- înainte
- beneficiar
- Mai bine
- Bootstrap
- construi
- construit-in
- afaceri
- întreprinderi
- buton
- by
- apel
- denumit
- CAN
- Capacitate
- contesta
- provocări
- Schimbare
- schimbarea
- taxe
- clasificate
- clic
- cod
- Cafea
- colecta
- COM
- Companii
- comparație
- Consoleze
- mereu
- context
- continuu
- Cheltuieli
- a creat
- critic
- crucial
- Curent
- În prezent
- personalizat
- client
- clienţii care
- personalizate
- de date
- schimbul de date
- seturi de date
- decizie
- defineste
- demonstra
- demonstrat
- implementa
- Detectare
- diferit
- digital
- discuta
- discutat
- distinge
- Diversitate
- do
- Dont
- dramatic
- conducere
- fiecare
- eficacitate
- Eforturile
- oricare
- șmirghel
- Punct final
- Motor
- îmbogățitor
- entități
- intrare
- evaluări
- eveniment
- evenimente
- exemplu
- exemple
- aștepta
- aşteptare
- experienţă
- explicație
- Explorarea
- extindere
- fals
- Caracteristică
- feedback-ul
- puțini
- final
- financiar
- Institutii financiare
- Sector Financial
- Găsi
- fintechs
- Concentra
- urma
- următor
- Pentru
- fraudă
- detectarea fraudei
- PREVENIREA FRAUDEI
- evazioniștilor
- necinstit
- activitate frauduloasă
- Gratuit
- din
- complet
- În plus
- viitor
- Câştig
- culegere
- genera
- Caritate
- Guvern
- foarte mult
- hands-on
- Avea
- he
- puternic
- ajutor
- ajutor
- superior
- istoric
- istorie
- Cum
- Totuși
- HTML
- HTTPS
- Oamenii
- identic
- identifica
- Identitate
- Verificarea identității
- imediat
- afectate
- îmbunătăţi
- îmbunătățire
- îmbunătățirea
- in
- Crește
- a crescut
- Creșteri
- crescând
- informat
- inițială
- perspective
- instabilitate
- instituții
- Inteligent
- în
- Investigații
- IP
- IT
- ESTE
- jpg
- cunoscut
- Etichetă
- lipsă
- peisaj
- mare
- conducere
- AFLAȚI
- învăţare
- Nivel
- ca
- Limitat
- Limitele
- mic
- pierderi
- Jos
- coborârea
- maşină
- masina de învățare
- face
- Efectuarea
- gestionate
- administrare
- manual
- multe
- potrivire
- măsuri
- Metadata
- Metode
- Metrici
- ar putea
- minim
- ML
- model
- Modele
- moderniza
- monitor
- mai mult
- În plus
- multiplu
- nume
- Nou
- acum
- număr
- of
- on
- on-line
- afară
- optimă
- Optimizați
- Opțiune
- or
- organizație
- organizații
- Altele
- al nostru
- outperform
- peste
- Învinge
- propriu
- Suprem
- pasionat
- modele
- plată
- furnizorii de plăți
- plăți
- performanță
- efectuează
- Pharma
- Loc
- Platforme
- Plato
- Informații despre date Platon
- PlatoData
- Punct
- pozitiv
- posibil
- Post
- potenţial
- prezicere
- Predictii
- prezenţă
- prevenirea
- Prevenirea
- probleme
- proces
- procese
- protectoare
- furniza
- furnizori
- furnizează
- public
- calitate
- întrebare
- repede
- gamă
- tarife
- în timp real
- reduce
- eliberaţi
- Raportat
- Rapoarte
- cerință
- Cerinţe
- cercetare
- Resurse
- răspuns
- rezultat
- REZULTATE
- revizuiască
- Risc
- de gestionare a riscurilor
- Rol
- Regula
- norme
- scenarii
- Om de stiinta
- scor
- sdk
- sector
- senior
- servi
- serviciu
- Servicii
- Seturi
- partajarea
- magazine
- să
- Arăta
- indicat
- Emisiuni
- semnificativ
- semnificativ
- pur şi simplu
- Mărimea
- mic
- So
- soluţie
- soluţii
- REZOLVAREA
- Rezolvarea
- unele
- sofisticat
- specialist
- specialiști
- specific
- petrece
- Începe
- Startup-urile
- Stare
- Pas
- stocate
- magazine
- astfel de
- Suprafață
- sistem
- sisteme
- tabel
- tactică
- echipă
- tehnici de
- Tehnologia
- test
- decât
- acea
- lumea
- lor
- astfel
- prin urmare
- Acestea
- ei
- acest
- Prin
- timp
- consumă timp
- la
- azi
- împreună
- top
- tradiţional
- Tren
- dresat
- Pregătire
- Tranzacții
- Tendinţe
- tipic
- în cele din urmă
- Incertitudine
- Actualizează
- actualizat
- utilizare
- Utilizator
- folosind
- VALIDA
- valoare
- Verificare
- verifica
- Vizita
- volum
- volume
- a fost
- modalități de
- we
- Ce
- care
- în timp ce
- cu
- fluxuri de lucru
- de lucru
- lume
- ani
- Tu
- Ta
- zephyrnet