211service.com
6 væsentlige ting til at bekæmpe svindel med maskinlæring
Overskriftsbillede
Leveret af SAS
Stu Bradley er vicepræsident for svindel og sikkerhedsefterretninger hos SAS.
Vi hører det hele tiden: Forebyggelse af svindel er svært, fordi svindlere konstant ændrer sig og tilpasser sig. I det øjeblik du finder ud af, hvordan du genkender og forhindrer et fupnummer, dukker et nyt op for at tage dens plads.
Naturligvis er den bedste teknologi til at bekæmpe svindel en, der kan ændre sig og tilpasse sig lige så hurtigt som svindlerens taktik. Det er det, der gør maskinelæring (ML) systemer perfekt til at bekæmpe svindel. Når de er designet optimalt, lærer de, tilpasser og afdækker nye mønstre uden den overtilpasning, der kan resultere i for mange falske positiver.
Traditionelt har organisationer været afhængige af regelbaserede systemer til at opdage svindel. Regler anvender hvis-så-logik, der kan være grundig til at afdække kendte mønstre for svindel. Og selvom regler fortsat er et vigtigt værktøj til bekæmpelse af svindel, især i kombination med avancerede tilgange, er de begrænset til at genkende mønstre, du allerede kender og kan programmere ind i logikken. De er ikke effektive til at tilpasse sig nye svindelmønstre, afsløre ukendte ordninger eller identificere stadig mere sofistikerede svindelteknikker.
Det er grunden til, at flere og flere industrier omfavner ML og kunstig intelligens til afsløring af svindel. Nyere forskning af SAS og Association of Certified Fraud Examiners fandt ud af, at kun 13 % af organisationer på tværs af brancher udnytter disse teknologier til at opdage og afskrække svindel. Yderligere 25 % planlægger at inkorporere dem i deres anti-bedrageri programmer i løbet af de næste to år – et spring på næsten 200 %.
Overvåget eller uovervåget læring til afsløring af svindel
Så hvordan virker det? Kort sagt automatiserer ML udtrækningen af kendte og ukendte mønstre fra data. Når først den genkender disse mønstre, kan den anvende, hvad den kender til nye og usete data. Maskinen lærer og tilpasser sig, efterhånden som nye resultater og nye mønstre præsenteres for den via en feedback-loop.
Ved afsløring af svindel forsøger overvågede ML-modeller at lære af identificerede registreringer i data, ofte omtalt som mærkede data. For at træne en overvåget model præsenterer du den både svigagtige og ikke-svigagtige optegnelser, der er blevet mærket som sådan.
Uovervåget ML er anderledes. Når du ikke ved, hvilke data der er svigagtige, beder du modellen om at lære datastrukturen på egen hånd. Du præsenterer det blot med data, og modellen forsøger at forstå den underliggende struktur og dimensioner af disse data.
Opdagelse af svindel med ML: Komponenterne
For at anvende ML til afsløring af svindel skal du som minimum have følgende komponenter:
- Data : Som med alle ML-applikationer er kvalitetsdata grundlaget for opbygning af ML-systemer til bekæmpelse af svig. Datasæt bliver kun større, og i takt med at mængderne stiger, stiger udfordringen med at opdage svindel også. Heldigvis er ordsproget om, at flere data er lig med bedre modeller, sandt, når det kommer til afsløring af svindel. Make-or-break-faktoren er at have en ML-platform, der kan skaleres, efterhånden som data og kompleksitet øges.
- Mangfoldighed : Der er ingen enkelt ML-algoritme eller metode, der fungerer bedst til at opdage svindel. Succes kommer fra evnen til at prøve mange forskellige metoder, teste variationer og evaluere dem med en række datasæt. Det kræver et værktøjssæt med en række overvågede og ikke-overvågede metoder samt en række funktionsteknologier. Anvendelsen af ML på nye og nye måder, som at kombinere en række overvågede og ikke-overvågede metoder i ét system, er mere effektiv end nogen enkelt metode alene.
- Integration : Dette ser ud til at være et indlysende must-have, men det er fortsat en almindelig vejblokering for succes i mange organisationer. Kun 50 % af alle udviklede modeller kommer nogensinde i produktion, hvilket resulterer i en masse spildte kræfter. Når du først har udviklet en ML-model, bliver udfordringen at implementere den i et operationelt driftsmiljø. Hvis dine data er i Hadoop, giver det mening, at din ML-model kan anvendes i Hadoop. På samme måde, hvis dine data streames i realtidssystemer, vil du have en ML-motor, der kan køre i realtid eller in stream. Portabilitet af modellen og integration af beslutningslogikken inden for operationelle systemer er altafgørende for at stoppe svindel i stor skala – og som det forekommer i skala.
- Hvid-boksning : ML metoder og modeller er generelt sorte bokse. Det er ofte meget svært (hvis ikke umuligt) at forklare beslutningstagere, hvordan modellen kom frem til den score eller konklusion, den gjorde. Men at forklare hvad og hvordan for ML-systemer er afgørende, især i stærkt regulerede industrier som finansielle tjenesteydelser. Denne forklaringsfaktor omtales ofte som white-boxing eller fortolkbarhed, og den er afgørende for at understøtte modelvalidering og styringsprocesser.
- Løbende overvågning : Løbende overvågning af ML-svigdetektionssystemer er afgørende for succes. Efterhånden som populationer og de underliggende data skifter, kan du forvente, at systeminput forringes og påvirker den overordnede ydeevne. Dette er ikke unikt for ML-systemer; regelbaserede systemer har samme udfordring. Men nyere ML-metoder kan tilpasse sig nye og uidentificerede mønstre, efterhånden som underliggende ændringer opstår. Dette eliminerer nogle, men ikke alle, ML-omskolings- og evalueringstrinene. Et godt overvågningsprogram registrerer og sporer den løbende effektivitet af alle modeller.
- Eksperimentering : Succesfulde ML-programmer har et element af løbende eksperimentering. Det er ikke nok bare at bygge en ML-model og lade den knase. Svindlere er kloge, og teknologien ændrer sig hurtigt. At have en sandkasse, hvor dataforskere frit kan eksperimentere med en række forskellige metoder, data og teknikker til at bekæmpe svig, er blevet et kritisk aspekt af topprogrammer til bekæmpelse af svig. Investeringer i at øge kapaciteten hos dataforskere, der bekæmper svindel, kan give næsten øjeblikkelig tilbagebetaling.
Afbalancering af opdagelse og kundeoplevelse
At identificere ufarlige transaktioner og samtidig levere kundeservice af høj kvalitet er en delikat balancegang. En organisation, der ofte afviser legitime transaktioner eller gør sine autentificeringsforanstaltninger for besværlige, er tilbøjelige til at miste kunder. ML-systemer er ideelle til at minimere denne type friktion.
For eksempel arbejdede en global finansiel institution for nylig sammen med SAS om at modernisere deres regelbaserede svindeldetektionssystem og hjælpe med at finde en balance mellem tilsyn og kundeservice. For at gøre dette implementerede banken en ML-baseret løsning fra SAS, der bruger et ensemble af neurale netværk til at skabe to forskellige svindelresultater:
- En primær svindelscore, der vurderer sandsynligheden for, at en konto er i en svigagtig tilstand.
- En transaktionsscore, der vurderer sandsynligheden for, at en individuel transaktion er svigagtig.
Ved at bruge denne dobbeltscore-tilgang identificerede den finansielle institution korrekt næsten 1 million dollars i månedlige transaktioner, der fejlagtigt var blevet identificeret som bedrageri. Det var også i stand til at finde yderligere 1,5 millioner dollars om måneden i svindel, der tidligere var blevet uopdaget.
At bringe det hele sammen
Opdagelse af svindel er et udfordrende problem. Mens svigagtige transaktioner repræsenterer en meget lille del af aktiviteten i en organisation, kan en lille procentdel af aktiviteten hurtigt blive til store dollartab uden de rigtige værktøjer og systemer på plads. Med fremskridt inden for ML kan systemer lære, tilpasse og afdække nye mønstre til at forhindre svindel - så du kan følge med svindlerne, selvom de udvikler sig og ændrer taktik.