211service.com
6 viktige ting for å bekjempe svindel med maskinlæring
Overskriftsbilde
Levert av SAS
Stu Bradley er visepresident for svindel og sikkerhetsetterretning i SAS.
Vi hører det hele tiden: Forebygging av svindel er vanskelig fordi svindlere kontinuerlig endrer seg og tilpasser seg. I det øyeblikket du finner ut hvordan du kan gjenkjenne og forhindre en svindel, dukker en ny opp for å ta dens plass.
Naturligvis er den beste teknologien for å bekjempe svindel en som kan endres og tilpasses like raskt som svindlerens taktikk. Det er det som gjør maskinlæring (ML) systemer perfekt for å bekjempe svindel. Når de er designet optimalt, lærer de, tilpasser og avdekker nye mønstre uten overtilpasning som kan resultere i for mange falske positiver.
Tradisjonelt har organisasjoner stolt på regelbaserte systemer for å oppdage svindel. Regler bruker hvis-så-logikk som kan være grundige for å avdekke kjente svindelmønstre. Og selv om regler fortsatt er et viktig svindelbekjempende verktøy, spesielt i kombinasjon med avanserte tilnærminger, er de begrenset til å gjenkjenne mønstre du allerede kjenner og kan programmere inn i logikken. De er ikke effektive til å tilpasse seg nye svindelmønstre, avdekke ukjente ordninger eller identifisere stadig mer sofistikerte svindelteknikker.
Det er grunnen til at flere og flere bransjer omfavner ML, og kunstig intelligens, for svindeloppdagelse. Nyere forskning av SAS og Association of Certified Fraud Examiners fant at bare 13 % av organisasjoner på tvers av bransjer drar nytte av disse teknologiene for å oppdage og avskrekke svindel. Ytterligere 25 % planlegger å innlemme dem i anti-svindelprogrammene sine i løpet av de neste to årene – et hopp på nesten 200 %.
Overvåket eller uovervåket læring for svindeloppdagelse
Så hvordan fungerer det? Enkelt sagt automatiserer ML utvinningen av kjente og ukjente mønstre fra data. Når den gjenkjenner disse mønstrene, kan den bruke det den vet på nye og usynlige data. Maskinen lærer og tilpasser seg etter hvert som nye resultater og nye mønstre presenteres for den via en tilbakemeldingssløyfe.
Ved svindeloppdagelse forsøker overvåkede ML-modeller å lære av identifiserte poster i data, ofte referert til som merkede data. For å lære opp en overvåket modell, presenterer du den både uredelige og ikke-svindelige poster som har blitt merket som sådan.
Uovervåket ML er annerledes. Når du ikke vet hvilke data som er uredelige, ber du modellen om å lære datastrukturen på egen hånd. Du presenterer det ganske enkelt med data, og modellen prøver å forstå den underliggende strukturen og dimensjonene til disse dataene.
Oppdage svindel med ML: Komponentene
For å bruke ML til svindeloppdagelse trenger du i det minste følgende komponenter:
- Data : Som med alle ML-applikasjoner, er kvalitetsdata grunnleggende for å bygge ML-systemer mot svindel. Datasett blir bare større, og etter hvert som volumene øker, øker også utfordringen med å oppdage svindel. Heldigvis er ordtaket om at mer data tilsvarer bedre modeller sant når det gjelder svindeloppdagelse. Mak-or-break-faktoren er å ha en ML-plattform som kan skaleres etter hvert som data og kompleksitet øker.
- Multiplisitet : Det er ingen enkelt ML-algoritme eller metode som fungerer best for svindeloppdagelse. Suksess kommer fra muligheten til å prøve mange forskjellige metoder, teste varianter og evaluere dem med en rekke datasett. Det krever et verktøysett med en rekke overvåkede og ikke-overvåkede metoder, samt en rekke funksjonsteknikker. Anvendelsen av ML på nye og nye måter, som å kombinere en rekke overvåkede og uovervåkede metoder i ett system, er mer effektiv enn noen enkelt metode alene.
- Integrering : Dette virker som et åpenbart må-ha, men det er fortsatt en vanlig veisperring for suksess i mange organisasjoner. Bare 50 % av alle utviklede modeller kommer i produksjon, noe som resulterer i mye bortkastet innsats. Når du har utviklet en ML-modell, blir utfordringen å distribuere den i et operativt driftsmiljø. Hvis dataene dine er i Hadoop, er det fornuftig at ML-modellen din kan brukes i Hadoop. På samme måte, hvis dataene dine strømmes i sanntidssystemer, vil du ha en ML-motor som kan kjøre i sanntid eller i strøm. Portabilitet av modellen og integrering av beslutningslogikken i operasjonelle systemer er avgjørende for å stoppe svindel i stor skala – og slik det forekommer i stor skala.
- Hvitboksing : ML metoder og modeller er vanligvis svarte bokser. Det er ofte svært vanskelig (om ikke umulig) å forklare beslutningstakere hvordan modellen kom til poengsummen eller konklusjonen den gjorde. Men å forklare hva og hvordan for ML-systemer er avgjørende, spesielt i sterkt regulerte bransjer som finansielle tjenester. Denne forklaringsfaktoren blir ofte referert til som white-boxing eller fortolkbarhet, og den er avgjørende for å støtte modellvalidering og styringsprosesser.
- Løpende overvåking : Løpende overvåking av ML-svindeldeteksjonssystemer er avgjørende for å lykkes. Når populasjoner og de underliggende dataene skifter, kan du forvente at systeminndata forringes og påvirker den generelle ytelsen. Dette er ikke unikt for ML-systemer; regelbaserte systemer har samme utfordring. Men nyere ML-metoder kan tilpasse seg nye og uidentifiserte mønstre etter hvert som underliggende endringer oppstår. Dette eliminerer noen, men ikke alle, av ML omskolering og evalueringstrinn. Et godt overvåkingsprogram registrerer og sporer den pågående effekten av alle modeller.
- Eksperimentering : Vellykkede ML-programmer har et element av pågående eksperimentering. Det er ikke nok å bare bygge en ML-modell og la den knase. Svindlere er flinke, og teknologien endres raskt. Å ha en sandkasse der dataforskere fritt kan eksperimentere med en rekke metoder, data og teknikker for å bekjempe svindel, har blitt et kritisk aspekt ved de beste anti-svindelprogrammene. Investeringer i å øke kapasiteten til dataforskere som bekjemper svindel kan gi nesten umiddelbar tilbakebetaling.
Balansere deteksjon og kundeopplevelse
Å identifisere ondsinnede transaksjoner og samtidig levere kundeservice av høy kvalitet er en delikat balansegang. En organisasjon som ofte avslår legitime transaksjoner eller gjør sine autentiseringstiltak for tungvint, er tilbøyelige til å miste kunder. ML-systemer er ideelle for å minimere denne typen friksjon.
For eksempel har en global finansinstitusjon nylig jobbet med SAS for å modernisere det regelbaserte svindeldeteksjonssystemet og bidra til å finne en balanse mellom tilsyn og kundeservice. For å gjøre dette implementerte banken en ML-basert løsning fra SAS som bruker et ensemble av nevrale nettverk til å lage to forskjellige svindelresultater:
- En primær svindelpoengsum, som vurderer sannsynligheten for at en konto er i en uredelig tilstand.
- En transaksjonsscore, som vurderer sannsynligheten for at en individuell transaksjon er uredelig.
Ved å bruke denne dual-score-tilnærmingen, identifiserte finansinstitusjonen korrekt nesten 1 million dollar i månedlige transaksjoner som feilaktig ble identifisert som svindel. Den var også i stand til å finne ytterligere 1,5 millioner dollar per måned i svindel som tidligere ikke ble oppdaget.
Å bringe det hele sammen
Svindeloppdagelse er et utfordrende problem. Mens uredelige transaksjoner representerer en svært liten del av aktiviteten i en organisasjon, kan en liten prosentandel av aktiviteten raskt bli til store dollartap uten de riktige verktøyene og systemene på plass. Med fremskrittene innen ML kan systemene lære, tilpasse og avdekke nye mønstre for å forhindre svindel – slik at du kan holde tritt med svindlerne selv når de utvikler seg og endrer taktikk.