Является ли машинное обучение чем-то вроде черного ящика? Мы очень часто слышим этот вопрос. Для наших клиентов, которые рассматривают возможность перехода от статических систем предотвращения мошенничества, основанных на правилах, к системам предотвращения мошенничества, управляемым искусственным интеллектом, ответ может фактически решить их решение. Неудивительно! Как риск-менеджер, ответственный за эффективность стратегии предотвращения мошенничества в вашей компании, вы хотели бы иметь полный контроль над тем, как выявляются мошенники. И теперь вы должны доверять машине и ее оценкам? Как вообще можно сказать, правильно это или нет и на каком основании? Поэтому, когда меня об этом спрашивают, я отвечаю…
Да!
Машина на самом деле дает вам больше информации о бизнесе, четкую индикацию KPI, более быструю адаптацию и более точные решения…
Как вы, наверное, знаете, методы обмана систем предотвращения мошенничества мошенниками становятся все более изощренными. Более того, они постоянно совершенствуют их, чтобы оставить далеко позади статические системы вашей компании, основанные на правилах. Чтобы предотвратить это, нужно адаптировать правила к этим новым обстоятельствам, что не всегда просто и может занять много времени. 10 правил перерастают в 20, затем в 50, и в итоге у вас получается набор из более чем сотни, и вы не знаете, приносят ли они пользу или душат бизнес.
Через некоторое время вы остаетесь с жесткой, подверженной ошибкам, сложной системой и командой аналитиков мошенничества на борту, которым все равно приходится вручную проверять множество транзакций. Это дорого и не обязательно эффективно.
В наши дни, чтобы добиться большего успеха в борьбе с онлайн-мошенничеством, необходимо анализировать больше данных (по объему и разнообразию) за более короткое время.
Что-то люди не могут сделать.
Но машины могут. Для каждой оценки они могут обрабатывать тысячи точек данных менее чем за секунду. Разоблачение запутанных отношений между каждым из них.
В результате их анализа вы получаете решения о том, является ли конкретная транзакция мошеннической или нет.
Благодаря взвешиванию каждой доступной функции они достигают точности, намного превосходящей то, что мы видим в любых системах без машинного обучения.
Но вы должны помнить, что мошенничество в наши дни является настолько сложным явлением, что иногда специалистам по данным необходимо использовать самые передовые алгоритмы машинного обучения, доступные для его обнаружения. Например, XGBoost или Нейронные сети, которые обеспечивают наилучшую производительность, но требуют интерпретации результата.
Таким образом, это означает, что из-за сложности и многомерности вычислений вам не будет предоставлен подробный путь того, как машина приняла решение, так как это было бы слишком сложно понять.
Но, честно говоря, легче ли вам освоить статические системы, основанные на правилах? Я видел системы, настроенные со 150 различными правилами, каждое из которых сочетает в себе три или четыре различных функции, где вы могли понять, что делает каждое из них, но комбинация…
…вот где ML дает интересный контраст…
Хотя вы не можете глубоко погрузиться в сознание машины и проанализировать ход ее мыслей, это не означает, что вы будете полностью слепы в отношении того, как в вашей компании выявляются мошенники.
Во-первых, вы получаете одну или, может быть, две модели (вместо 150 правил), которые учитывают все возможные особенности и адаптируются к ним, чтобы идеально изучить проблему, которой вы их подвергли — вам нужно отслеживать только модели, а не сеть переплетенных зависимостей.
Во-вторых, вы можете встроить ключевые показатели эффективности вашего бизнеса в модель (предоставив правильную функцию), чтобы вы знали, что модель максимизирует ваш доход на основе всех функций — ваша бизнес-стратегия основана на данных!
Наконец, благодаря таким библиотекам, как LIME или ELI5, системы предотвращения мошенничества на основе ИИ могут предоставить вам все виды данных и функций, которые необходимы для распознавания мошеннических транзакций, угрожающих вашей компании. Или будет ли их влияние положительным (чем выше значение, тем выше вероятность мошенничества) или отрицательным (чем выше значение, тем ниже вероятность мошенничества).
А, например, с Nethone Guard вы получаете доступ к интуитивно понятной панели инструментов с визуализациями, которые простым и понятным образом показывают, какие транзакции были отмечены как мошеннические и почему. В результате вы получите представление о том, как работает ваша стратегия борьбы с мошенничеством, и при необходимости примете соответствующие меры.
…и вот что нельзя не заметить!
Если вы все еще не доверяете машинному обучению для предотвращения мошенничества, примите во внимание следующие факты:
- Это работает! Несомненно, машины лучше людей выявляют мошенничество и справляются с ложными срабатываниями. И вы можете найти множество примеров, доказывающих это, например, 80%-ное сокращение возвратных платежей или 44%-е сокращение ручных проверок в случае с крупная авиакомпания из Латинской Америки, в которой нам посчастливилось работать.
- Вы можете более эффективно управлять бюджетом. Благодаря машинам вам не нужно беспокоиться о нехватке специалистов для ручной проверки. Развертывание машинного обучения также полезно для ваших сотрудников, поскольку им можно поручить более важные и ответственные проекты.
- Машины работают 24 часа в сутки, 7 дней в неделю, 365 дней в неделю, постоянно адаптируя свои настройки (под наблюдением человека) к меняющейся среде (например, новым тактикам мошенников и т. д.). А это означает, что ваша команда сэкономит много времени.
Но есть еще кое-что.
Машинное обучение открывает новые возможности и может вывести вашу компанию на совершенно новый уровень, решая проблемы, которые было чрезвычайно трудно решить… до сих пор.
Позвольте привести пример.
Вы, наверное, знакомы с термином дружеское мошенничество. Это ситуация, в которой законный клиент покупает продукт или услугу в Интернете с помощью своей кредитной карты, но после доставки заказа он запрашивает возврат платежа в своем банке.
Дружеское мошенничество:
- крайне сложно отличить настоящую транзакцию, так как модели поведения честных и нечестных клиентов очень похожи.
- является очень распространенным правонарушением. По данным CardNotPresent.com, на него приходится до 86% всех запросов на возврат средств, и он обходится ритейлерам более чем в 11 миллиардов долларов в год.
Но, к счастью, с машинным обучением ситуация меняется.
В Nethone нам удалось успешно определить, какие аспекты поведения и транзакций клиентов указывают на мошенничество в дружественных целях! С помощью машинного обучения и анализа поведения, которые стали возможны только благодаря машинному обучению — технологии, которая произвела революцию 21 век с беспилотными автомобилями, умными домами и предотвращением мошенничества с помощью ИИ.
Хотите, чтобы ваш бизнес более эффективно боролся с дружественным мошенничеством? Мы покажем тебе как! Связаться с нами!
Первоначально опубликовано на сайте nethone.com 13 июня 2018 г.
