211service.com
6 essentiële zaken om fraude te bestrijden met machine learning
Koptekstafbeelding
Geleverd door SAS
Stu Bradley is vice-president van fraude- en beveiligingsinformatie bij SAS.
We horen het de hele tijd: Fraudepreventie is moeilijk omdat fraudeurs voortdurend veranderen en zich aanpassen. Op het moment dat je erachter komt hoe je een zwendel kunt herkennen en voorkomen, komt er een nieuwe naar voren om zijn plaats in te nemen.
De beste technologie voor het bestrijden van fraude is dan natuurlijk een technologie die net zo snel kan veranderen en aanpassen als de tactieken van de fraudeur. Dat is wat maakt machine learning (ML) systemen perfect voor het bestrijden van fraude. Als ze optimaal zijn ontworpen, leren ze, passen ze zich aan en ontdekken ze opkomende patronen zonder de overmatige aanpassing die kan leiden tot te veel valse positieven.
Traditioneel vertrouwen organisaties op op regels gebaseerde systemen om fraude op te sporen. Regels gebruiken als-dan-logica die grondig kan zijn in het blootleggen van bekende fraudepatronen. En hoewel regels een belangrijk fraudebestrijdingsinstrument blijven, vooral in combinatie met geavanceerde benaderingen, zijn ze beperkt tot het herkennen van patronen die u al kent en in de logica kunt programmeren. Ze zijn niet effectief in het aanpassen aan nieuwe fraudepatronen, het ontdekken van onbekende schema's of het identificeren van steeds geavanceerdere fraudetechnieken.
Dat is de reden waarom steeds meer industrieën ML en kunstmatige intelligentie omarmen voor fraudedetectie. Recent onderzoek door SAS en de Association of Certified Fraud Examiners ontdekten dat slechts 13% van de organisaties in verschillende bedrijfstakken gebruikmaakt van deze technologieën om fraude op te sporen en te ontmoedigen. Nog eens 25% is van plan om ze de komende twee jaar op te nemen in hun fraudebestrijdingsprogramma's - een sprong van bijna 200%.
Gesuperviseerd of niet-gesuperviseerd leren voor fraudedetectie
Dus, hoe werkt het? Simpel gezegd, ML automatiseert de extractie van bekende en onbekende patronen uit gegevens. Zodra het die patronen herkent, kan het wat het weet toepassen op nieuwe en ongeziene gegevens. De machine leert en past zich aan naarmate nieuwe resultaten en nieuwe patronen worden gepresenteerd via een feedbacklus.
Bij fraudedetectie proberen ML-modellen onder toezicht te leren van geïdentificeerde records in gegevens, vaak aangeduid als gelabelde gegevens. Om een gesuperviseerd model te trainen, presenteert u het zowel frauduleuze als niet-frauduleuze records die als zodanig zijn gelabeld.
Unsupervised ML is anders. Als u niet weet welke gegevens frauduleus zijn, vraagt u het model om zelf de gegevensstructuur te leren. Je presenteert het gewoon met gegevens, en het model probeert de onderliggende structuur en dimensies van die gegevens te begrijpen.
Fraude detecteren met ML: de componenten
Om ML toe te passen op fraudedetectie, hebt u minimaal de volgende componenten nodig:
- Gegevens : Zoals bij alle ML-toepassingen, zijn kwaliteitsgegevens van fundamenteel belang voor het bouwen van fraudebestrijdings-ML-systemen. Datasets worden alleen maar groter en naarmate de volumes toenemen, neemt ook de uitdaging toe om fraude op te sporen. Gelukkig is het adagium dat meer gegevens gelijk staan aan betere modellen waar als het gaat om fraudedetectie. De make-or-break-factor is het hebben van een ML-platform dat kan worden geschaald naarmate gegevens en complexiteit toenemen.
- Veelheid : Er is geen enkel ML-algoritme of -methode die het beste werkt voor fraudedetectie. Succes komt voort uit het vermogen om veel verschillende methoden uit te proberen, variaties te testen en te evalueren met een reeks datasets. Dat vereist een toolkit met een verscheidenheid aan gecontroleerde en niet-gesuperviseerde methoden, evenals een reeks feature-engineeringtechnieken. De toepassing van ML op nieuwe en nieuwe manieren, zoals het combineren van een verscheidenheid aan gecontroleerde en niet-gesuperviseerde methoden in één systeem, is effectiever dan een enkele methode alleen.
- integratie : Dit lijkt een voor de hand liggende must-have, maar het blijft een veelvoorkomende wegversperring naar succes in veel organisaties. Slechts 50% van alle ontwikkelde modellen wordt ooit in productie genomen, wat veel verspilde moeite met zich meebrengt. Als je eenmaal een ML-model hebt ontwikkeld, wordt de uitdaging om het in een operationele runtime-omgeving te implementeren. Als uw gegevens in Hadoop staan, is het logisch dat uw ML-model in Hadoop kan worden toegepast. Evenzo, als uw gegevens in realtime systemen worden gestreamd, wilt u een ML-engine die in realtime of in stream kan worden uitgevoerd. Overdraagbaarheid van het model en integratie van de beslissingslogica binnen operationele systemen is van het grootste belang om fraude op grote schaal te stoppen - en zoals het op grote schaal plaatsvindt.
- Wit-boksen : ML-methoden en -modellen zijn over het algemeen zwarte dozen. Het is vaak erg moeilijk (zo niet onmogelijk) om aan besluitvormers uit te leggen hoe het model tot de score of conclusie is gekomen. Maar het wat en hoe van ML-systemen uitleggen is van cruciaal belang, vooral in sterk gereguleerde sectoren zoals financiële dienstverlening. Deze verklaarbaarheidsfactor wordt vaak white-boxing of interpreteerbaarheid genoemd en is van cruciaal belang voor het ondersteunen van modelvalidatie en governanceprocessen.
- Doorlopende controle : Voortdurende monitoring van ML-fraudedetectiesystemen is een absolute voorwaarde voor succes. Aangezien populaties en de onderliggende gegevens verschuiven, kunt u verwachten dat systeeminvoer degradeert en de algehele prestaties beïnvloedt. Dit is niet uniek voor ML-systemen; op regels gebaseerde systemen hebben dezelfde uitdaging. Maar nieuwere ML-methoden kunnen zich aanpassen aan nieuwe en niet-geïdentificeerde patronen als onderliggende veranderingen optreden. Dit elimineert enkele, maar niet alle, ML-hertrainings- en evaluatiestappen. Een goed monitoringprogramma registreert en volgt de voortdurende werkzaamheid van alle modellen.
- Experimenteren : Succesvolle ML-programma's hebben een element van voortdurende experimenten. Het is niet genoeg om gewoon een ML-model te bouwen en het te laten kraken. Fraudeurs zijn slim en de technologie verandert snel. Het hebben van een sandbox waar datawetenschappers vrijelijk kunnen experimenteren met een verscheidenheid aan methoden, data en technieken om fraude te bestrijden, is een cruciaal aspect geworden van de beste fraudebestrijdingsprogramma's. Investeringen in het versterken van de capaciteit van datawetenschappers die fraude bestrijden, kunnen zich vrijwel onmiddellijk terugverdienen.
Balans tussen detectie en klantervaring
Het identificeren van snode transacties en het leveren van hoogwaardige klantenservice is een delicate evenwichtsoefening. Een organisatie die regelmatig legitieme transacties weigert of haar authenticatiemaatregelen te omslachtig maakt, loopt het risico klanten te verliezen. ML-systemen zijn ideaal om dit soort wrijving te minimaliseren.
Zo heeft een internationale financiële instelling onlangs met SAS samengewerkt om haar op regels gebaseerde fraudedetectiesysteem te moderniseren en een evenwicht te helpen vinden tussen toezicht en klantenservice. Om dit te doen, implementeerde de bank een op ML gebaseerde oplossing van SAS die een ensemble van neurale netwerken gebruikt om twee verschillende fraudescores te creëren:
- Een primaire fraudescore die de waarschijnlijkheid evalueert dat een account zich in een frauduleuze staat bevindt.
- Een transactiescore die de waarschijnlijkheid evalueert dat een individuele transactie frauduleus is.
Met behulp van deze dubbele-scorebenadering identificeerde de financiële instelling correct bijna $ 1 miljoen aan maandelijkse transacties die ten onrechte als fraude waren aangemerkt. Het was ook in staat om een extra $ 1,5 miljoen per maand te vinden aan fraude die voorheen onopgemerkt was gebleven.
Alles samenbrengen
Fraudedetectie is een uitdagend probleem. Hoewel frauduleuze transacties een zeer klein deel van de activiteit binnen een organisatie vertegenwoordigen, kan een klein percentage van de activiteit snel tot grote verliezen leiden zonder de juiste tools en systemen. Met de vooruitgang in ML kunnen systemen nieuwe patronen leren, aanpassen en ontdekken om fraude te voorkomen, zodat u de fraudeurs kunt bijhouden, zelfs als ze evolueren en van tactiek veranderen.