Daha fazla işletme, müşterilerine daha iyi hizmet vermek için çevrimiçi varlıklarını artırdıkça, sürekli olarak yeni dolandırıcılık modelleri ortaya çıkıyor. Dolandırıcıların taktiklerinde daha sofistike hale geldiği günümüzün sürekli gelişen dijital ortamında, bu tür dolandırıcılık faaliyetlerini tespit etmek ve önlemek şirketler ve finans kurumları için çok önemli hale geldi.
Geleneksel kural tabanlı dolandırıcılık tespit sistemleri, potansiyel olarak dolandırıcılık faaliyetini işaretlemek için önceden tanımlanmış kurallara ve eşiklere güvendiklerinden, hızla yineleme yetenekleriyle sınırlıdır. Bu sistemler, dolandırıcılık ekibi tarafından gerçekleştirilen manuel soruşturmaların hacmini önemli ölçüde artırarak çok sayıda yanlış pozitif üretebilir. Ayrıca, insanlar da hataya eğilimlidir ve büyük miktarda veriyi işlemek için sınırlı kapasiteye sahiptir, bu da dolandırıcılığı tespit etmek için manuel çaba sarf ederek zaman alıcıdır ve bu da kaçırılan hileli işlemlere, artan kayıplara ve itibar zedelenmesine neden olabilir.
Anormal kalıpları ve olası dolandırıcılık eğilimlerini belirlemek için büyük hacimli verileri hızlı ve doğru bir şekilde analiz edebildiği için makine öğrenimi (ML), dolandırıcılığı tespit etmede çok önemli bir rol oynar. Makine öğrenimi dolandırıcılık modeli performansı, büyük ölçüde üzerinde eğitildiği verilerin kalitesine dayanır ve özellikle denetlenen modeller için doğru etiketlenmiş veriler çok önemlidir. Makine öğreniminde, bir modeli eğitmek için önemli tarihsel verilerin bulunmaması, soğuk çalıştırma sorunu.
Dolandırıcılık tespiti dünyasında, bazı geleneksel soğuk başlangıç senaryoları şunlardır:
- İşlem geçmişi veya dolandırıcılık vakaları olmadan doğru bir dolandırıcılık modeli oluşturmak
- Yeni müşteriler ve hesaplar için meşru faaliyetleri dolandırıcılıktan doğru bir şekilde ayırt edebilmek
- Dolandırıcılık sistemi tarafından daha önce hiç görülmemiş bir adrese veya alıcıya riske karar veren ödemeler
Bu senaryoları çözmenin birden çok yolu vardır. Örneğin, herkese uyan tek model olarak bilinen ve genellikle dolandırıcılık konsorsiyumları gibi dolandırıcılık verileri paylaşım platformları üzerinde eğitilen genel modelleri kullanabilirsiniz. Bu yaklaşımın zorluğu, hiçbir işletmenin eşit olmaması ve dolandırıcılık saldırısı vektörlerinin sürekli değişmesidir.
Başka bir seçenek de, müşteri olayları arasındaki olağan dışı davranışları izlemek ve ortaya çıkarmak için denetimsiz bir anormallik algılama modeli kullanmaktır. Bu yaklaşımın zorluğu, tüm dolandırıcılık olaylarının anormal olmaması ve tüm anormalliklerin aslında dolandırıcılık olmamasıdır. Bu nedenle, daha yüksek yanlış pozitif oranları bekleyebilirsiniz.
Bu gönderide, gerçek zamanlı dolandırıcılığı önleme ML modelini kullanarak 100 kadar az olayla nasıl hızlı bir şekilde önyükleyebileceğinizi gösteriyoruz. Amazon Sahtekarlık Dedektörü yeni özellik, Soğuk başlangıç, böylece büyük veri kümelerini toplayıp doğru bir şekilde etiketlemek için zamanı veya yeteneği olmayan birçok kuruluş için özel makine öğrenimi modellerine giriş engelini önemli ölçüde azaltır. Ayrıca, Amazon Fraud Detector'da saklanan olayları kullanarak sonuçları nasıl inceleyebileceğinizi ve modellerinizi yeniden eğitmek için olayları doğru bir şekilde etiketleyebileceğinizi ve böylece zaman içinde dolandırıcılık önleme önlemlerinin etkinliğini nasıl artırabileceğinizi ele alıyoruz.
Çözüme genel bakış
Amazon Fraud Detector, potansiyel olarak çevrimiçi sahtekarlık faaliyetlerini tespit etmeyi otomatikleştiren, tam olarak yönetilen bir sahtekarlık tespit hizmetidir. Kendi geçmiş veri kümenizi kullanarak özelleştirilmiş dolandırıcılık algılama modelleri oluşturmak, yerleşik kural motorunu kullanarak karar mantığı eklemek ve tek bir düğmeyi tıklatarak risk kararı iş akışlarını düzenlemek için Amazon Fraud Detector'ı kullanabilirsiniz.
Önceden, bir modeli eğitmek için en az 10,000 dolandırıcılık örneği içeren 400'den fazla etiketli olay sağlamanız gerekiyordu. Soğuk Başlatma özelliğinin kullanıma sunulmasıyla birlikte, en az 100 olay ve en az 50 dolandırıcılık olarak sınıflandırılan bir modeli hızlı bir şekilde eğitebilirsiniz. İlk veri gereksinimleriyle karşılaştırıldığında bu, geçmiş verilerde %99'luk bir azalma ve etiket gereksinimlerinde %87'lik bir azalmadır.
Yeni Soğuk Başlatma özelliği, küçük veri kümelerini zenginleştirmek, genişletmek ve risk modellemek için akıllı yöntemler sağlar. Ayrıca Amazon Fraud Detector, etiketlenmemiş olaylar için etiket atamaları ve örnekleme gerçekleştirir.
Herkese açık veri kümeleriyle gerçekleştirilen deneyler, sınırları 50 sahtekarlığa ve yalnızca 100 olaya indirerek, sürekli olarak denetimsiz ve yarı denetimli modellerden daha iyi performans gösteren dolandırıcılık makine öğrenimi modelleri oluşturabileceğinizi göstermektedir.
Soğuk Başlatma modeli performansı
Bir makine öğrenimi modelinin görünmeyen veriler üzerinde genelleme yapma ve doğru tahminler yapma yeteneği, eğitim veri kümesinin kalitesinden ve çeşitliliğinden etkilenir. Soğuk Başlatma modelleri için bu farklı değildir. Bu olayları doğru bir şekilde etiketlemek ve modelleri yeniden eğitmek için daha fazla veri toplandıkça, sonuçta optimum bir model performansına yol açan süreçlere sahip olmalısınız.
Daha düşük bir veri gereksinimiyle, modelin artan varyansı ve sınırlı test verisi boyutu nedeniyle bildirilen performansın istikrarsızlığı artar. Model performansına ilişkin doğru beklentiyi oluşturmanıza yardımcı olmak için, model EAA'sının yanı sıra Amazon Fraud Detector belirsizlik aralığı ölçümlerini de bildirir. Aşağıdaki tablo bu ölçümleri tanımlar.
. | . | AUC | ||
. | . | <0.6 | 0.6 - 0.8 | > = 0.8 |
AUC belirsizlik aralığı | > 0.3 | Model performansı çok düşüktür ve büyük ölçüde değişiklik gösterebilir. Düşük dolandırıcılık algılama performansı bekleyin. | Model performansı düşüktür ve büyük ölçüde değişebilir. Sınırlı dolandırıcılık algılama performansı bekleyin. | Model performansı büyük ölçüde değişebilir. |
0.1 - 0.3 | Model performansı çok düşüktür ve önemli ölçüde değişiklik gösterebilir. Düşük dolandırıcılık algılama performansı bekleyin. | Model performansı düşüktür ve önemli ölçüde değişiklik gösterebilir. Sınırlı dolandırıcılık algılama performansı bekleyin. | Model performansı önemli ölçüde değişebilir. | |
<0.1 | Model performansı çok düşük. Düşük dolandırıcılık algılama performansı bekleyin. | Model performansı düşüktür. Sınırlı dolandırıcılık algılama performansı bekleyin. | Uyarı Yok |
Bir Soğuk Başlatma modeli eğitin
Bir Cold Start dolandırıcılık modelini eğitmek, diğer herhangi bir Amazon Fraud Detector modelini eğitmekle aynıdır; farklı olan veri kümesi boyutudur. Cold Start eğitimi için örnek veri kümelerini şu sayfamızda bulabilirsiniz: GitHub deposu. Bir Amazon Fraud Detector özel modelini eğitmek için uygulamalı eğitimimizi takip edebilirsiniz. öğretici. Şunu kullanabilirsiniz: Amazon Fraud Detector konsol eğitimi ya da SDK eğitimi bir dolandırıcılık tespit modeli oluşturmak, eğitmek ve devreye almak.
Modeliniz eğitildikten sonra, performans metriklerini gözden geçirebilir ve ardından durumunu olarak değiştirerek onu devreye alabilirsiniz. Aktif. Model puanları ve performans ölçümleri hakkında daha fazla bilgi edinmek için bkz. Model puanları ve Model performans metrikleri. Bu noktada artık modelinizi dedektörünüze ekleyebilir, iş kuralları modelin ürettiği risk puanlarını yorumlamak ve gerçek zamanlı tahminler yapmak için GetEventPrediction API.
Dolandırıcılık makine öğrenimi modeli sürekli iyileştirme ve geri bildirim döngüsü
Amazon Fraud Detector Cold Start özelliği ile bir dolandırıcılık dedektörü uç noktasını hızlı bir şekilde önyükleyebilir ve işletmenizi hemen korumaya başlayabilirsiniz. Bununla birlikte, sürekli olarak yeni dolandırıcılık kalıpları ortaya çıkıyor, bu nedenle tahminlerin zaman içindeki doğruluğunu ve etkinliğini artırmak için Soğuk Başlatma modellerini daha yeni verilerle yeniden eğitmek çok önemlidir.
Amazon Fraud Detector, modelleriniz üzerinde yineleme yapmanıza yardımcı olmak için hizmete gönderilen tüm olayları çıkarım için otomatik olarak depolar. Aşağıdaki ekran görüntüsünde gösterildiği gibi, olay türü düzeyinde olay besleme bayrağının açık olduğunu değiştirebilir veya doğrulayabilirsiniz.
Saklanan olaylar özelliği sayesinde, bir olaya programlı olarak erişmek, olay meta verilerini ve tahmin açıklamasını incelemek ve bilinçli bir risk kararı vermek için Amazon Fraud Detector SDK'yı kullanabilirsiniz. Ayrıca, olayı gelecekteki model yeniden eğitimi ve sürekli model iyileştirme için etiketleyebilirsiniz. Aşağıdaki diyagram bu iş akışının bir örneğini göstermektedir.
Aşağıdaki kod parçacıklarında, saklanan bir olayı etiketleme sürecini gösteriyoruz:
- Bir etkinlikte gerçek zamanlı dolandırıcılık tahmini yapmak için GetEventPrediction API'sini arayın:
Yanıtta görüldüğü gibi, eşleşen karar motoru kuralına göre olay, dolandırıcılık ekibi tarafından manuel inceleme için gönderilmelidir. Tahmin açıklaması meta verilerini toplayarak, her bir olay değişkeninin modelin dolandırıcılık tahmin puanını nasıl etkilediğine dair içgörüler elde edebilirsiniz.
- Bu içgörüleri toplamak için şu bilgileri kullanırız:
get_event_prediction_metada
API:
API Yanıtı:
Bu içgörülerle dolandırıcılık analisti, söz konusu olay hakkında bilinçli bir risk kararı verebilir ve olay etiketini güncelleyebilir.
- Etkinlik etiketini güncellemek için
update_event_label
API:
API Yanıtı
Son adım olarak, olay etiketinin doğru şekilde güncellenip güncellenmediğini doğrulayabilirsiniz.
- Olay etiketini doğrulamak için şu numarayı arayın:
get_event
API:
API Yanıtı
Temizlemek
Gelecekte ücret alınmasını önlemek için çözüm için oluşturulan kaynakları silin.
Sonuç
Bu gönderi, Amazon Fraud Detector'ın yeni Soğuk Başlatma özelliğini kullanarak 100 kadar olayla gerçek zamanlı bir dolandırıcılık önleme sistemini nasıl hızlı bir şekilde başlatabileceğinizi gösterdi. Sonuçları gözden geçirmek, olayları doğru bir şekilde etiketlemek ve modellerinizi yeniden eğitmek için saklanan olayları nasıl kullanabileceğinizi tartıştık ve dolandırıcılık önleme önlemlerinin zaman içinde etkinliğini artırdık.
Amazon Fraud Detector gibi tam olarak yönetilen AWS hizmetleri, işletmelerin platformlarındaki sahtekarlığı belirlemek ve iş değerini artırmaya daha fazla odaklanmak için kullanıcı davranışını analiz etmek için harcadıkları zamanı azaltmaya yardımcı olur. Amazon Fraud Detector'ın işletmenize nasıl yardımcı olabileceği hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: Amazon Dolandırıcılık Dedektörü.
Yazarlar Hakkında
Marcel Pividal Dünya Çapında Uzman Kuruluşta Küresel Kıdemli Yapay Zeka Hizmetleri Çözümleri Mimarıdır. Marcel, FinTech'ler, ödeme sağlayıcıları, ilaç ve devlet kurumları için teknoloji yoluyla iş sorunlarını çözmede 20 yılı aşkın bir deneyime sahiptir. Şu anki odak alanları risk yönetimi, dolandırıcılığı önleme ve kimlik doğrulamadır.
Julia Xu Amazon Fraud Detector ile Araştırma Bilimcisidir. Makine öğrenimi tekniklerini kullanarak müşteri zorluklarını çözme konusunda tutkulu. Boş zamanlarında yürüyüş yapmaktan, resim yapmaktan ve yeni kafeleri keşfetmekten hoşlanıyor.
Guilherme Ricci AWS'de Kıdemli Çözüm Mimarıdır ve Startup'ların uygulamalarının maliyetlerini modernize etmelerine ve optimize etmelerine yardımcı olur. Finans sektöründeki şirketlerde 10 yılı aşkın tecrübesi ile şu anda AI/ML uzmanlarından oluşan bir ekiple birlikte çalışmaktadır.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/overcome-the-machine-learning-cold-start-challenge-in-fraud-detection-using-amazon-fraud-detector/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- 000
- 1
- 10
- 100
- 20
- 20 yıl
- 200
- 39
- 50
- 7
- 8
- 9
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- erişim
- doğruluk
- doğru
- tam olarak
- faaliyetler
- etkinlik
- adres
- ajansları
- AI
- AI hizmetleri
- AI / ML
- Türkiye
- Ayrıca
- Amazon
- Amazon Sahtekarlık Dedektörü
- arasında
- tutarları
- an
- analist
- çözümlemek
- analiz
- ve
- anomali tespiti
- herhangi
- api
- uygulamaları
- yaklaşım
- ARE
- alanlar
- AS
- At
- saldırı
- otomata
- otomatik olarak
- AWS
- bariyer
- merkezli
- BE
- Çünkü
- müşterimiz
- olma
- önce
- hak sahibi
- Daha iyi
- Çizme atkısı
- inşa etmek
- yerleşik
- iş
- işletmeler
- düğmesine tıklayın
- by
- çağrı
- denilen
- CAN
- Kapasite
- meydan okuma
- zorluklar
- değişiklik
- değiştirme
- yükler
- sınıflandırılmış
- tıklayın
- kod
- Kahve
- toplamak
- COM
- Şirketler
- karşılaştırıldığında
- konsolos
- sürekli
- bağlam
- sürekli
- maliyetler
- çevrimiçi kurslar düzenliyorlar.
- kritik
- çok önemli
- akım
- Şu anda
- görenek
- müşteri
- Müşteriler
- özelleştirilmiş
- veri
- bilgi paylaşımı
- veri kümeleri
- karar
- tanımlar
- göstermek
- gösterdi
- dağıtmak
- Bulma
- farklı
- dijital
- tartışmak
- tartışılan
- ayırmak
- Çeşitlilik
- do
- Dont
- dramatik
- sürme
- her
- etki
- çabaları
- ya
- E-posta
- ortaya çıkan
- Son nokta
- Motor
- zenginleştirici
- kişiler
- giriş
- değerlendirmeler
- Etkinlikler
- olaylar
- örnek
- örnekler
- beklemek
- beklenti
- deneyim
- açıklama
- Keşfetmek
- uzatma
- yanlış
- Özellikler(Hazırlık aşamasında)
- geribesleme
- az
- son
- mali
- Finansal Kurumlar
- Finans sektörü
- bulmak
- fintechs
- odak
- takip et
- takip etme
- İçin
- dolandırıcılık
- sahtekarlık tespiti
- DOLANDIRICILIK ÖNLEME
- dolandırıcıların
- sahte
- hileli faaliyet
- Ücretsiz
- itibaren
- tamamen
- Ayrıca
- gelecek
- Kazanç
- toplama
- oluşturmak
- Küresel
- Hükümet
- çok
- hands-on
- Var
- he
- ağır şekilde
- yardım et
- yardım
- daha yüksek
- tarihsel
- tarih
- Ne kadar
- Ancak
- HTML
- HTTPS
- İnsanlar
- özdeş
- belirlemek
- Kimlik
- Kimlik Doğrulaması
- hemen
- etkiledi
- iyileştirmek
- iyileşme
- geliştirme
- in
- Artırmak
- artmış
- Artışlar
- artan
- bilgi
- ilk
- anlayışlar
- kararsızlık
- kurumları
- Akıllı
- içine
- Soruşturmalar
- IP
- IT
- ONUN
- jpg
- bilinen
- etiket
- Eksiklik
- manzara
- büyük
- önemli
- ÖĞRENİN
- öğrenme
- seviye
- sevmek
- Sınırlı
- sınırları
- küçük
- kayıp
- Düşük
- Indirme
- makine
- makine öğrenme
- yapmak
- Yapımı
- yönetilen
- yönetim
- Manuel
- çok
- eşleşti
- önlemler
- Metadata
- yöntemleri
- Metrikleri
- olabilir
- asgari
- ML
- model
- modelleri
- modernleştirmek
- izlemek
- Daha
- Dahası
- çoklu
- isim
- yeni
- şimdi
- numara
- of
- on
- Online
- bir tek
- optimum
- optimize
- seçenek
- or
- kuruluşlar
- organizasyonlar
- Diğer
- bizim
- daha iyi çalmak
- tekrar
- Üstesinden gelmek
- kendi
- Olağanüstü
- tutkulu
- desen
- ödeme
- ödeme sağlayıcıları
- ödemeler
- performans
- gerçekleştirir
- Pharma
- yer
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- pozitif
- mümkün
- Çivi
- potansiyel
- tahmin
- Tahminler
- varlık
- önlenmesi
- Önleme
- sorunlar
- süreç
- Süreçler
- koruyucu
- sağlamak
- sağlayıcılar
- sağlar
- halka açık
- kalite
- soru
- hızla
- menzil
- oranlar
- gerçek zaman
- azaltmak
- serbest
- Bildirilen
- Raporlar
- gereklilik
- Yer Alan Kurallar
- araştırma
- Kaynaklar
- yanıt
- sonuç
- Sonuçlar
- yorum
- Risk
- risk yönetimi
- Rol
- Kural
- kurallar
- senaryolar
- bilim adamı
- Gol
- sdk
- sektör
- kıdemli
- hizmet vermek
- hizmet
- Hizmetler
- Setleri
- paylaşımı
- dükkanlar
- meli
- şov
- gösterilen
- Gösteriler
- önemli
- önemli ölçüde
- sadece
- beden
- küçük
- So
- çözüm
- Çözümler
- ÇÖZMEK
- Çözme
- biraz
- sofistike
- uzman
- uzmanlar
- özellikle
- geçirmek
- başlama
- Startups
- Durum
- adım
- saklı
- mağaza
- böyle
- yüzey
- sistem
- Sistemler
- tablo
- taktik
- takım
- teknikleri
- Teknoloji
- test
- göre
- o
- The
- Dünya
- ve bazı Asya
- böylece
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- İçinden
- zaman
- zaman tükeniyor
- için
- bugünkü
- birlikte
- üst
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- işlemler
- Trendler
- tipik
- eninde sonunda
- Belirsizlik
- Güncelleme
- güncellenmiş
- kullanım
- kullanıcı
- kullanma
- DOĞRULA
- değer
- Doğrulama
- doğrulamak
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- hacim
- hacimleri
- oldu
- yolları
- we
- Ne
- hangi
- süre
- ile
- iş akışları
- çalışma
- Dünya
- yıl
- Sen
- zefirnet