Ker vse več podjetij povečuje svojo spletno prisotnost, da bi bolje služila svojim strankam, se nenehno pojavljajo novi vzorci goljufij. V današnjem nenehno razvijajočem se digitalnem okolju, kjer goljufi postajajo vse bolj prefinjeni v svojih taktikah, je odkrivanje in preprečevanje takšnih goljufivih dejavnosti postalo najpomembnejše za podjetja in finančne institucije.
Tradicionalni sistemi za odkrivanje goljufij, ki temeljijo na pravilih, so omejeni na svojo sposobnost hitrega ponavljanja, saj se zanašajo na vnaprej določena pravila in pragove za označevanje potencialno goljufive dejavnosti. Ti sistemi lahko ustvarijo veliko število lažno pozitivnih rezultatov, kar znatno poveča obseg ročnih preiskav, ki jih izvaja skupina za goljufije. Poleg tega so ljudje tudi nagnjeni k napakam in imajo omejeno zmogljivost za obdelavo velikih količin podatkov, zaradi česar so ročna prizadevanja za odkrivanje goljufij zamudna, kar lahko povzroči zgrešene goljufive transakcije, povečane izgube in škodo za ugled.
Strojno učenje (ML) igra ključno vlogo pri odkrivanju goljufij, saj lahko hitro in natančno analizira velike količine podatkov za prepoznavanje nepravilnih vzorcev in možnih trendov goljufij. Učinkovitost modela goljufij ML je v veliki meri odvisna od kakovosti podatkov, na katerih se usposablja, in zlasti za nadzorovane modele so natančni označeni podatki ključnega pomena. V ML se pomanjkanje pomembnih zgodovinskih podatkov za usposabljanje modela imenuje problem s hladnim zagonom.
V svetu odkrivanja goljufij je naslednjih nekaj tradicionalnih scenarijev hladnega zagona:
- Izdelava natančnega modela goljufije brez zgodovine transakcij ali primerov goljufij
- Sposobnost natančnega razlikovanja med zakonito dejavnostjo in goljufijo za nove stranke in račune
- Plačila za odločanje o tveganju na naslov ali upravičenca, ki ga sistem goljufij še ni videl
Obstaja več načinov za rešitev teh scenarijev. Uporabite lahko na primer generične modele, znane kot modeli ene velikosti za vse, ki so običajno usposobljeni na platformah za izmenjavo podatkov o goljufijah, kot so konzorciji za goljufije. Izziv tega pristopa je, da nobeno podjetje ni enakega in da se vektorji napadov goljufij nenehno spreminjajo.
Druga možnost je uporaba nenadzorovanega modela za odkrivanje nepravilnosti za spremljanje in odkrivanje nenavadnega vedenja med dogodki strank. Izziv tega pristopa je, da niso vse goljufije anomalije in niso vse anomalije res goljufije. Zato lahko pričakujete višje lažno pozitivne stopnje.
V tej objavi prikazujemo, kako lahko hitro zaženete model ML za preprečevanje goljufij v realnem času z najmanj 100 dogodki z uporabo Amazonski detektor prevare nova funkcija, Hladni začetek, s čimer se dramatično znižajo ovire za vstop v modele ML po meri za številne organizacije, ki preprosto nimajo časa ali sposobnosti za zbiranje in natančno označevanje velikih naborov podatkov. Poleg tega razpravljamo o tem, kako lahko z uporabo shranjenih dogodkov Amazon Fraud Detector pregledate rezultate in pravilno označite dogodke za ponovno usposabljanje svojih modelov, s čimer sčasoma izboljšate učinkovitost ukrepov za preprečevanje goljufij.
Pregled rešitev
Amazon Fraud Detector je popolnoma upravljana storitev za odkrivanje goljufij, ki avtomatizira odkrivanje potencialno goljufivih dejavnosti na spletu. Amazon Fraud Detector lahko uporabite za izgradnjo prilagojenih modelov za odkrivanje goljufij z uporabo lastnega nabora zgodovinskih podatkov, dodajanje odločitvene logike z uporabo vgrajenega mehanizma pravil in orkestriranje delovnih tokov odločanja o tveganju s klikom na gumb.
Prej ste morali za usposabljanje modela zagotoviti več kot 10,000 označenih dogodkov z najmanj 400 primeri goljufij. Z izdajo funkcije Cold Start lahko hitro usposobite model z najmanj 100 dogodki in vsaj 50 razvrščenimi kot goljufije. V primerjavi z začetnimi zahtevami glede podatkov je to 99-odstotno zmanjšanje preteklih podatkov in 87-odstotno zmanjšanje zahtev glede nalepk.
Nova funkcija Cold Start ponuja inteligentne metode za obogatitev, razširitev in modeliranje tveganja majhnih nizov podatkov. Poleg tega Amazon Fraud Detector izvaja dodelitve oznak in vzorčenje za neoznačene dogodke.
Poskusi, izvedeni z javnimi nabori podatkov, kažejo, da lahko z znižanjem omejitev na 50 goljufij in samo 100 dogodkov zgradite modele ML za goljufije, ki dosledno prekašajo nenadzorovane in delno nadzorovane modele.
Zmogljivost modela Cold Start
Kakovost in raznolikost nabora podatkov za usposabljanje vplivata na zmožnost modela ML, da posplošuje in daje natančne napovedi na podlagi nevidnih podatkov. Pri modelih s hladnim zagonom to ni nič drugače. Morali bi imeti vzpostavljene procese, saj se zbira več podatkov za pravilno označevanje teh dogodkov in ponovno usposabljanje modelov, kar na koncu vodi do optimalne učinkovitosti modela.
Z nižjo zahtevo po podatkih se poveča nestabilnost poročane zmogljivosti zaradi povečane variance modela in omejene velikosti testnih podatkov. Amazon Fraud Detector poleg AUC modela poroča tudi o meritvah razpona negotovosti, da vam pomaga ustvariti pravo pričakovanje glede uspešnosti modela. Naslednja tabela določa te meritve.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
interval negotovosti AUC | > 0.3 | Zmogljivost modela je zelo nizka in se lahko zelo razlikuje. Pričakujte nizko učinkovitost odkrivanja goljufij. | Zmogljivost modela je nizka in se lahko zelo razlikuje. Pričakujte omejeno zmogljivost odkrivanja goljufij. | Zmogljivost modela se lahko zelo razlikuje. |
0.1 - 0.3 | Zmogljivost modela je zelo nizka in se lahko znatno razlikuje. Pričakujte nizko učinkovitost odkrivanja goljufij. | Zmogljivost modela je nizka in se lahko znatno razlikuje. Pričakujte omejeno zmogljivost odkrivanja goljufij. | Zmogljivost modela se lahko bistveno razlikuje. | |
<0.1 | Zmogljivost modela je zelo nizka. Pričakujte nizko učinkovitost odkrivanja goljufij. | Zmogljivost modela je nizka. Pričakujte omejeno zmogljivost odkrivanja goljufij. | Brez opozorila |
Usposobite model Cold Start
Usposabljanje modela goljufije Cold Start je enako usposabljanju katerega koli drugega modela detektorja goljufij Amazon; razlika je v velikosti nabora podatkov. Vzorčne nabore podatkov za trening hladnega zagona najdete v našem Repo za GitHub. Če želite usposobiti model po meri Amazon Fraud Detector, lahko sledite našemu praktičnemu delu Navodila. Uporabite lahko bodisi Vadnica konzole Amazon Fraud Detector ali Vadnica za SDK zgraditi, usposobiti in uvesti model za odkrivanje goljufij.
Ko je vaš model usposobljen, lahko pregledate meritve uspešnosti in ga nato uvedete tako, da spremenite njegov status v Aktivno. Če želite izvedeti več o rezultatih modela in meritvah uspešnosti, glejte Rezultati modela in Meritve uspešnosti modela. Na tej točki lahko zdaj dodate svoj model detektorju, dodajte poslovna pravila za razlago rezultatov tveganja, ki jih daje model, in napovedovanje v realnem času z uporabo GetEventPrediction API.
Model goljufij ML stalne izboljšave in povratna zanka
S funkcijo Amazon Fraud Detector Cold Start lahko hitro zaženete končno točko detektorja goljufij in takoj začnete ščititi svoja podjetja. Vendar pa se nenehno pojavljajo novi vzorci goljufij, zato je ključnega pomena, da modele hladnega zagona znova usposobite z novejšimi podatki, da sčasoma izboljšate natančnost in učinkovitost napovedi.
Za pomoč pri ponavljanju vaših modelov Amazon Fraud Detector samodejno shrani vse dogodke, poslane storitvi za sklepanje. Spremenite ali potrdite lahko, da je zastavica za vnos dogodka vklopljena na ravni vrste dogodka, kot je prikazano na naslednjem posnetku zaslona.
S funkcijo shranjenih dogodkov lahko uporabite Amazon Fraud Detector SDK za programski dostop do dogodka, pregled metapodatkov dogodka in razlage napovedi ter sprejemanje informirane odločitve o tveganju. Poleg tega lahko dogodek označite za prihodnje preusposabljanje modela in nenehno izboljševanje modela. Naslednji diagram prikazuje primer tega poteka dela.
V naslednjih delčkih kode prikazujemo postopek za označevanje shranjenega dogodka:
- Če želite izvesti napoved goljufije v realnem času za dogodek, pokličite GetEventPrediction API:
Kot je razvidno iz odgovora, je treba na podlagi ujemanja pravila mehanizma odločanja dogodek poslati v ročni pregled skupini za goljufije. Z zbiranjem metapodatkov o razlagi napovedi lahko pridobite vpogled v to, kako je posamezna spremenljivka dogodka vplivala na rezultat napovedi goljufije v modelu.
- Za zbiranje teh vpogledov uporabljamo
get_event_prediction_metada
API-ji:
Odgovor API-ja:
S temi vpogledi lahko analitik prevar sprejme informirano odločitev o tveganju glede zadevnega dogodka in posodobi oznako dogodka.
- Za posodobitev oznake dogodka pokličite
update_event_label
API-ji:
API odziv
Kot zadnji korak lahko preverite, ali je bila oznaka dogodka pravilno posodobljena.
- Za preverjanje oznake dogodka pokličite tel
get_event
API-ji:
API odziv
Čiščenje
Da se izognete prihodnjim stroškom, izbrišite vire, ustvarjene za rešitev.
zaključek
Ta objava je pokazala, kako lahko hitro zaženete sistem za preprečevanje goljufij v realnem času z nekaj do 100 dogodki z uporabo nove funkcije Cold Start Amazon Fraud Detector. Razpravljali smo o tem, kako lahko shranjene dogodke uporabite za pregled rezultatov in pravilno označevanje dogodkov ter ponovno usposobite svoje modele, s čimer sčasoma izboljšate učinkovitost ukrepov za preprečevanje goljufij.
Popolnoma upravljane storitve AWS, kot je Amazon Fraud Detector, pomagajo skrajšati čas, ki ga podjetja porabijo za analizo vedenja uporabnikov, da prepoznajo goljufije na svojih platformah in se bolj osredotočijo na povečanje poslovne vrednosti. Če želite izvedeti več o tem, kako lahko Amazon Fraud Detector pomaga vašemu podjetju, obiščite Amazonov detektor goljufij.
O avtorjih
Marcel Pividal je Global Star. AI Services Solutions Architect v World-Wide Specialist Organisation. Marcel ima več kot 20 let izkušenj z reševanjem poslovnih problemov s tehnologijo za FinTechs, ponudnike plačil, farmacijo in vladne agencije. Njegova trenutna področja so obvladovanje tveganj, preprečevanje goljufij in preverjanje identitete.
Julia Xu je raziskovalec pri Amazon Fraud Detector. Navdušena je nad reševanjem izzivov strank s tehnikami strojnega učenja. V prostem času uživa v pohodništvu, slikanju in raziskovanju novih kavarn.
Guilherme Ricci je višji arhitekt rešitev pri AWS, ki startupom pomaga posodobiti in optimizirati stroške njihovih aplikacij. Z več kot 10-letnimi izkušnjami s podjetji v finančnem sektorju trenutno sodeluje z ekipo strokovnjakov za AI/ML.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- Kovanje prihodnosti z Adryenn Ashley. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :ima
- : je
- :ne
- :kje
- 000
- 1
- 10
- 100
- 20
- 20 let
- 200
- 39
- 50
- 7
- 8
- 9
- a
- sposobnost
- Sposobna
- O meni
- dostop
- natančnost
- natančna
- natančno
- dejavnosti
- dejavnost
- Naslov
- agencije
- AI
- Storitve AI
- AI / ML
- vsi
- Prav tako
- Amazon
- Amazonski detektor prevare
- med
- zneski
- an
- Analitik
- analizirati
- analiziranje
- in
- odkrivanje anomalije
- kaj
- API
- aplikacije
- pristop
- SE
- območja
- AS
- At
- napad
- avtomatizira
- samodejno
- AWS
- ovira
- temeljijo
- BE
- ker
- postanejo
- postajajo
- pred
- upravičenec
- Boljše
- Bootstrap
- izgradnjo
- vgrajeno
- poslovni
- podjetja
- Gumb
- by
- klic
- se imenuje
- CAN
- kapaciteta
- izziv
- izzivi
- spremenite
- spreminjanje
- Stroški
- razvrščeni
- klik
- Koda
- Kava
- zbiranje
- COM
- Podjetja
- v primerjavi z letom
- Konzole
- nenehno
- ozadje
- neprekinjeno
- stroški
- ustvaril
- kritično
- ključnega pomena
- Trenutna
- Trenutno
- po meri
- stranka
- Stranke, ki so
- meri
- datum
- izmenjavo podatkov
- nabor podatkov
- Odločitev
- Določa
- izkazati
- Dokazano
- razporedi
- Odkrivanje
- drugačen
- digitalni
- razpravlja
- razpravljali
- razlikovati
- raznolikost
- do
- dont
- dramatično
- vožnjo
- vsak
- učinkovitost
- prizadevanja
- bodisi
- E-naslov
- smirkovim
- Končna točka
- Motor
- bogatenje
- subjekti
- Vpis
- vrednotenja
- Event
- dogodki
- Primer
- Primeri
- pričakovati
- pričakovanja
- izkušnje
- Razlaga
- Raziskovati
- razširitev
- false
- Feature
- povratne informacije
- Nekaj
- končna
- finančna
- Finančne ustanove
- Finančni sektor
- Najdi
- fintechs
- Osredotočite
- sledi
- po
- za
- goljufija
- odkrivanje goljufij
- PREPREČEVANJE GOLJUF
- goljufi
- goljufiva
- goljufive dejavnosti
- brezplačno
- iz
- v celoti
- Poleg tega
- Prihodnost
- Gain
- zbiranje
- ustvarjajo
- Globalno
- vlada
- zelo
- hands-on
- Imajo
- he
- močno
- pomoč
- pomoč
- več
- zgodovinski
- zgodovina
- Kako
- Vendar
- HTML
- HTTPS
- Ljudje
- enako
- identificirati
- identiteta
- Preverjanje identitete
- takoj
- prizadeti
- izboljšanje
- Izboljšanje
- izboljšanju
- in
- Povečajte
- povečal
- Poveča
- narašča
- obvestila
- začetna
- vpogledi
- nestabilnost
- Institucije
- Inteligentna
- v
- preiskave
- IP
- IT
- ITS
- jpg
- znano
- label
- Pomanjkanje
- Pokrajina
- velika
- vodi
- UČITE
- učenje
- Stopnja
- kot
- Limited
- Meje
- malo
- izgube
- nizka
- Spuščanje
- stroj
- strojno učenje
- Znamka
- Izdelava
- upravlja
- upravljanje
- Navodilo
- več
- ujema
- ukrepe
- metapodatki
- Metode
- Meritve
- morda
- minimalna
- ML
- Model
- modeli
- posodobiti
- monitor
- več
- Poleg tega
- več
- Ime
- Novo
- zdaj
- Številka
- of
- on
- na spletu
- samo
- optimalna
- Optimizirajte
- Možnost
- or
- Organizacija
- organizacije
- Ostalo
- naši
- Izboljšati
- več
- Premagajte
- lastne
- Paramount
- strastno
- vzorci
- Plačilo
- ponudniki plačil
- Plačila
- performance
- opravlja
- Pharma
- Kraj
- Platforme
- platon
- Platonova podatkovna inteligenca
- PlatoData
- Točka
- pozitiven
- mogoče
- Prispevek
- potencialno
- napoved
- Napovedi
- Prisotnost
- preprečevanje
- Preprečevanje
- Težave
- Postopek
- Procesi
- zaščito
- zagotavljajo
- ponudniki
- zagotavlja
- javnega
- kakovost
- vprašanje
- hitro
- območje
- Cene
- v realnem času
- zmanjša
- sprostitev
- Prijavljeno
- Poročila
- zahteva
- Zahteve
- Raziskave
- viri
- Odgovor
- povzroči
- Rezultati
- pregleda
- Tveganje
- upravljanje s tveganji
- vloga
- Pravilo
- pravila
- scenariji
- Znanstvenik
- rezultat
- SDK
- sektor
- višji
- služijo
- Storitev
- Storitve
- Kompleti
- delitev
- trgovin
- shouldnt
- Prikaži
- pokazale
- Razstave
- pomemben
- bistveno
- preprosto
- Velikosti
- majhna
- So
- Rešitev
- rešitve
- SOLVE
- Reševanje
- nekaj
- prefinjeno
- specialist
- strokovnjaki
- posebej
- preživeti
- Začetek
- Ustanavljanjem
- Status
- Korak
- shranjeni
- trgovine
- taka
- Površina
- sistem
- sistemi
- miza
- taktike
- skupina
- tehnike
- Tehnologija
- Test
- kot
- da
- O
- svet
- njihove
- s tem
- zato
- te
- jih
- ta
- skozi
- čas
- zamudno
- do
- današnje
- skupaj
- vrh
- tradicionalna
- Vlak
- usposobljeni
- usposabljanje
- Transakcije
- Trends
- tipično
- Konec koncev
- Negotovost
- Nadgradnja
- posodobljeno
- uporaba
- uporabnik
- uporabo
- POTRDI
- vrednost
- Preverjanje
- preverjanje
- obisk
- Obseg
- prostornine
- je
- načini
- we
- Kaj
- ki
- medtem
- z
- delovnih tokov
- deluje
- svet
- let
- Vi
- Vaša rutina za
- zefirnet