Автор | Адитья Хандекар

Пока мы весело наслаждаемся праздником Дня труда, мошенники заняты работой! В эти выходные у меня был взлом карты из-за того, что выглядело как безобидная транзакция на мойке автомобилей. Улов? Я живу в Нью-Йорке, мой контекст — Нью-Йорк, сделка по мойке автомобилей была в Атланте, штат Джорджия! Я должен поблагодарить двигатель мошенничества банка, который поймал эту нить раньше, чем она стала действительно уродливой.

Это натолкнуло меня на мысль написать краткую заметку о выявлении мошенничества, применимую к таким вертикалям, как электронная коммерция, страхование, здравоохранение, основная розничная торговля и банковское дело.

Вы когда-нибудь думали о слепом, ведущем человека с хорошим зрением в сложном лабиринте? Звучит нелогично, правда? Что ж, это хорошая аналогия для создания надежных механизмов мошенничества с использованием полуконтролируемых подходов.

Давайте копнем глубже…

Многие виды мошенничества, которые трудно обнаружить, «развиваются» по своей природе, и постоянно появляются новые модели. Для таких паттернов сложно обучать контролируемые модели. Это приводит к:

Либо в модели мошенничества отсутствует мошенничество (ложноотрицательный результат).

Случайное обнаружение мошенничества на основе какого-то другого шаблона, на котором оно было обучено ранее. Это может привести к тому, что многие хорошие транзакции будут помечены как мошенничество (ложное срабатывание), что является операционным кошмаром и плохим качеством обслуживания клиентов.

Итак, что можно сделать?

Что, если вы поместите неконтролируемый детектор аномалий поверх обученной модели мошенничества? Хотя это может показаться простым взглядом на мир, давайте объясним эту «систему» ​​на примере…

…Допустим, вы живете в Нью-Йорке и отправились в отпуск в Париж ночным рейсом. Внезапно модель мошенничества выдает ложные срабатывания для вашей покупки в Starbucks в парижском аэропорту (да, нам очень нравится наш латте из Starbucks, так много для сходства с брендом!). Что, если детектор аномалий хранил информацию о «состоянии» о вас и зафиксировал покупку журнала в аэропорту имени Джона Кеннеди, транзакцию по доставке в Uber в аэропорт Кеннеди и некоторые покупки в полете. Внезапно парижская сделка больше не выглядит чем-то из ряда вон выходящим!! Модели поддержания состояния, такие как скрытые марковские модели или LSTM (долговременная кратковременная память, метод, основанный на нейронной сети, который поддерживает память), — это именно те модели, которые могут «модерировать» мнение обученной модели мошенничества и принимать более эффективные решения.

Существует дополнительное преимущество самообучения с помощью новых шаблонов, которые могут быть очень эффективными.

Когда вышеупомянутые «системные» результаты исследуются в автономном режиме экспертом (экспертами) для подтверждения (или неподтверждения) мошенничества, это может действовать как петля обратной связи «Проверяй и учись», чтобы стимулировать более совершенных предсказателей для улучшения контролируемых моделей мошенничества и общей системы. Способность обнаруживать мошенничество со временем улучшается.

Так это реально? Какое влияние на бизнес мы оказали?

Да, это! Scienaptic продемонстрировал существенное снижение количества ложных срабатываний (40–70%) и улучшение показателей авторизации (или меньше отказов) порядка 30–50% при повышении точности обнаружения мошенничества в 1,2–1,4 раза. Мы смоделировали эти методологии на нашей корпоративной платформе моделирования Ether для создания готовых систем обнаружения мошенничества.

Мы продолжаем изучать новые подходы к обнаружению мошенничества с использованием ИИ следующего поколения, такие как обучение с подкреплением и состязательное обучение. В качестве тизера, вот полный список всех основных семейств обнаружения аномалий. Мы добились хорошего успеха с методами, основанными на плотности (в частности, Local Outlier Factor).

В этот День труда, когда выходные подходят к концу, давайте выпьем за лучшую мышеловку!