""

Het is een aangenaam feit dat machinaal leren essentieel is voor elke organisatie die een voorsprong moet houden in het snel veranderende universum van fraude. Kunstmatig intelligente systemen maken de identificatie van fraude steeds preciezer, steeds veelzijdiger en een stuk sneller. Organisaties kunnen op de hoogte blijven van de enorme hoeveelheid informatie die wordt gestreamd, voorkomen tegenspoed des te beter en geven een superieure klantervaring, aangezien minder aanvragen worden geweigerd of uitgesteld.

Kunstmatige intelligentie en fraudebescherming

Het is duidelijk waarom machineleren zo'n opwelling heeft gecreëerd in de fraudedetectiegemeenschap. Op de een of andere manier lijkt fraudepreventie de perfecte use case voor dit soort van wat sommigen kunstmatige intelligentie noemen. Er is een enorme hoeveelheid informatie verbonden aan elke uitwisseling, er zijn solide patronen die te vinden zijn in koopgedrag en neigingen (zowel die van goede klanten als die van valse), en er is een antwoord op de dag 's einde: een uitwisseling wordt teruggeboekt, of niet. Dit houdt in dat u de informatie kunt labelen en de invoer van de machine kunt geven. Dit is de manier waarop het systeem na verloop van tijd geleidelijk exact wordt.

 ""

Tal van organisaties hebben kunstmatig intelligent van harte ingewerkt en zijn geïnteresseerd in de verrassende associaties die de machine had om te maken. Omdat de machine de informatie onpartijdig benadert en vaak wordt aangeboden om veel informatie te beheren, kan het patronen en verbindingen herkennen die mensen, van wie de zienswijze steeds meer beperkt is, nog niet klaar zijn om te zien.

Hoe het ook zij, unbewaakte machine learning neemt je tot nu toe gewoon op. We kunnen echter kunstmatige intelligentie bespreken, maar tot nu toe, ondanks het feit dat machines kunnen leren, kunnen ze niet denken. Ze kunnen gewoon de gegevens verwerken en afbreken die ze hebben gekregen. Dat betekent dat de uitkomsten die u krijgt, onderhevig zijn aan de informatie die u aan de machine hebt gegeven. Leg er vreselijke, verbrokkelde of misleidende informatie in, en je krijgt vreselijke, inadequate of misleidende informatie. Een machine probeert niet te begrijpen wat er met de informatie gebeurt, of tracht een pad rond dat probleem te vinden, of wordt bezocht door een momentopname van inzicht die het hele ding in een ander licht laat zien.

Een oplossing voor het probleem zoeken: kunstmatige intelligentie

Kunstmatige intelligentie bij fraudepreventie heeft een kolossaal winstgevend apparaat aangetoond, maar geen zilverprojectiel. Hoewel de snelheid en schaal waarop machines zijn uitgerust, hebben veranderd wat denkbaar is bij het detecteren van fraude, zijn ze niet voldoende om zonder iemand anders de onvoorspelbare moeilijkheden te begrijpen. Een machine kan beter anticiperen op het klimaat, of op het herkennen van een foto dan op een persoon. Hoe het ook zij, het klimaat en de foto's vechten niet terug. Ze proberen zichzelf niet te verstoppen of de machine op te sluiten door te veronderstellen dat ze iets anders zijn of nieuwe strategieën te ontwikkelen.

Fraudeurs doen duidelijk al deze dingen. Hun hele methodologie is om de informatie te verwarren, om hun profielen er meer overtuigend dan ze uit te laten zien, om bekende attributen van goede kopers te omarmen, om onder de radar te vliegen. Ze denken onophoudelijk aan betere benaderingen om zichzelf te verbergen, en om volledige personage-verschuivingen mogelijk te maken met een snelheid die Clark Kent zou benijden. Ook groeien ze voortdurend nieuwe afpersingsaanvallen, met nieuwe systemen of nieuwe innovatie. Hier en daar werken ze in ringen om het beeld verder te bederven.

Het merendeel hiervan is verwarring voor een machine. Op het moment dat dingen snel veranderen, kan het heel goed moeilijk zijn voor een machine om bij te blijven. Machines overtreffen de verwachtingen bij "enorme informatie " – bij het vinden van de voorbeelden in echt gigantische datasets. Hoe het ook zij, een onjuiste voorstelling van zaken, expliciet, gaat regelmatig over 'weinig informatie'. Je moet de fraudeurs halen voordat ze effectief een groot aantal dollars hebben gestolen met een andere methode die ze opnieuw en opnieuw konden gebruiken voordat je raamwerk kon beginnen. Kortom, je moet ze overtreffen.

Menselijke elementen toevoegen aan machines: helpen bij het opsporen van fraude

Wat tal van fraudegroepen en organisaties doen, is machinaal leren in beperkte mate gebruiken, en daarna de kwestie overbrengen op handmatige commentatoren. De onderzoeksgroep zal de leiding hebben over uitwisselingen die op de een of andere manier verdacht lijken.

Machinaal leren is niet voldoende zonder de input van iemand anders, maar handmatige enquêtes brengen elk van de problemen die machines aan het licht brachten terug. Ze zijn gematigd, ze zijn niet veelzijdig en ze zijn niet onredelijk nauwkeurig. Bovendien, een commentator wiens activiteit het is om de ene na de andere uitwisseling na te doen en een zo snel mogelijke keuze te geven, verliest de ongelooflijke '10, 000 voet zie 'indruk van de informatie die de machine aanmoedigt om voorbeelden en noteerpatronen te ontdekken.

 ""

Fraude-afdelingen beseffen dat dit een probleem is, maar vechten om op de hoogte te blijven van het laatste met het maken van patronen en om tijd te geven om verder te kijken dan verwacht van individuele uitwisselingen. Het financiële effect van fraude bedenkt dat 56% van de dealers aangeeft dat het voorbereiden van de afpersingsmoderatie moeilijk op te schorten is. Inderdaad, zelfs de individuen die grotendeels toezicht houden, kunnen het niet organiseren – en fraudeurs bewegen snel, dus consistente vooruitgang is van fundamenteel belang.

Gedrags- en systeemonderzoek – Kunstmatig intelligente systemen gebruiken enorme informatie om echt klantgedrag te herkennen aan botgedrag door onregelmatigheden te zien in ontwerpen voor het uiterlijk van de site. Partners van bots zullen in het algemeen keer op keer een soortgelijke groep gebieden bezoeken in het licht van het feit dat hun gedrag geautomatiseerd is. Het onderscheiden van deze voorbeelden kan ons in staat stellen bots aan te pakken afhankelijk van hun gedrag. Alles bij elkaar genomen, bezoeken de meeste mensen niet elke dag op dezelfde locaties, in precies hetzelfde verzoek. Voor de kans dat deze handlangers zojuist expliciete gebieden hebben bezocht die een zak met botbewegingen kunnen tonen, volgen we deze voorbeelden en controleren dit verkeer als bedrieglijk. Uiteraard kunnen machine-leersystemen ook ontwerpen herkennen in de impasse van de spits die niet snel duidelijk zijn voor menselijke experts. <. P>  ""

Programma- en gadgetonderzoek – Machine learning stelt ons in staat om ongeldige verkeersbronnen te herkennen door programmahoogtepunten te coördineren naar de klantenspecialist. Hoewel dit soort zekerheid vaak ten onrechte deterministisch wordt genoemd, zou het vreemd zijn zonder gebruik te maken van machine learning-benaderingen om ontwerpen te herkennen binnen uitgebreide informatiecollecties. Deze strategie voor identificatie, effectief verbonden en gecontroleerd door adequate informatie, kan helpen om hele bot-systemen te verwijderen.

Strategie om fraude op te sporen: Integratie van bewaakte en niet-gesuperviseerde AI-modellen

Omdat uitgezochte misdaadplannen zo geavanceerd en pittig zijn om aan te passen, zullen bewakingssystemen die afhankelijk zijn van een enkele systematische procedure met één inschatting van alledag, tot slordige uitkomsten leiden. Elke use-case moet worden ondersteund door vakkundig gemaakte inconsistentie-detectiesystemen die ideaal zijn voor het huidige probleem. Zowel gecontroleerde als niet-gesuperviseerde modellen nemen daarom cruciale taken op bij het opsporen van fraude en moeten verweven zijn met uitputtende, geavanceerde fraudesystemen.

 ""

  • Een gesuperviseerd model, het meest erkende type machine learning voor alle bestellingen, is een model dat is voorbereid op een rijke rangschikking van rechtmatig 'gelabelde' uitwisselingen. Elke ruil wordt aangeduid als afpersing of niet-verkeerde voorstelling. De modellen worden voorbereid door enorme hoeveelheden gelabelde uitwisselings-subtiliteiten in te nemen om ontwerpen te leren die de beste praktijken weerspiegelen. Bij het opbouwen van een gecontroleerd model is de mate van vlekkeloze, belangrijke voorbereidingsinformatie specifiek verbonden met model exactheid.

 ""

  • Niet-gesuperviseerde modellen zijn bedoeld om atypisch gedrag te herkennen in situaties waarin gelabelde informatie over de uitwisseling over het algemeen dun of niet bestaat. In deze gevallen moet een soort zelflerend gebruik worden gebruikt om voorbeelden aan de oppervlakte te brengen in de informatie die niet waarneembaar zijn voor verschillende soorten onderzoek. Niet-gesuperviseerde modellen zijn bedoeld om uitzonderingen te vinden die vooraf verborgen soorten fraude beschrijven. Deze op AI gebaseerde strategieën herkennen gedragsafwijkingen door onderscheid te maken tussen beurzen die niet voldoen aan het dominante deel. Voor exactheid worden deze inconsistenties beoordeeld op de individuele dimensie en bovendien door modern geaggregeerd onderzoek van vrienden.

Door een ideale mix van beheerde en niet-gecontroleerde AI-methoden te kiezen, kunt u reeds verborgen soorten verdacht gedrag onderscheiden, terwijl u snel de onopvallenddere voorbeelden van fraude ziet die onlangs dwars door miljarden records zijn gezien.

Bewaakte AI-modellen en fraudedetectie

Machinaal leren is een subveld van AI dat zich inspant om het probleem aan te pakken van eerdere methodologieën die te onbuigzaam zijn. Wetenschappers hadden de machines nodig om informatie te verkrijgen, in tegenstelling tot de codering waarnaar deze pc-projecten moesten zoeken (een alternatieve methodologie van master-frameworks). Machine learning begon enorme wandelingen te maken in de jaren negentig en tegen de jaren 2000 werd het ook adequaat gebruikt in het vechten tegen misrepresentatie.

Verbonden met fraude spreekt SML (Supervised Machine Learning) een belangrijke stap voorwaarts. Het is enorm niet hetzelfde als normen en bekendheid records op grond van het feit dat in tegenstelling tot het nemen van een kijkje op slechts een paar hoogtepunten met eenvoudige principes en deuren opgezet, alle hoogtepunten worden gezien als samen.

Alles bij elkaar genomen, is SML in verband met fraudedetectie een functionerend gebied van verbetering in het licht van het feit dat er tal van SML-modellen en -methodologieën zijn. Bijvoorbeeld, het toepassen van neurale systemen op een verkeerde voorstelling van zaken kan uitzonderlijk nuttig zijn in het licht van het feit dat het de automatisering omvat van ontwerpen, een over het algemeen exorbitante vooruitgang die menselijke bemiddeling vereist. Deze methode kan de snelheid van valse positieven en valse negatieven verminderen in vergelijking met andere SML-modellen, bijvoorbeeld SVM en willekeurige houtmodellen, omdat de omhulde neuronen veel meer elementaire denkbare resultaten kunnen coderen dan mogelijk zou moeten zijn door een mens.

Niet-gesuperviseerde AI-modellen en fraude-detectie

In tegenstelling tot SML heeft unsupervised machine learning (UML) minder gebiedsvraagstukken gesplitst. Voor fraudedetectie had UML over het algemeen niet het vermogen om veel aan te moedigen. Regelmatige UML-benaderingen (bijv. K-implies en verschillende genivelleerde bundeling, onbewaakte neurale systemen en vooral segmentonderzoek) hebben niet het vermogen gehad om geweldige resultaten te bereiken voor het ontdekken van verkeerde voorstellingen. Het hebben van een ongecontroleerde manier om met afpersing om te gaan, kan moeilijk zijn om in huis te doen, omdat het miljarden malen allemaal samen moet worden voorbereid en er zijn geen out-of-the-crate krachtige niet-gecontroleerde modellen. Desalniettemin zijn er organisaties die daar vooruitgang hebben geboekt.

De reden dat het heel goed mogelijk verband houdt met afpersing is vanwege de levensstructuren van de meeste voorvertalingen van verkeerde voorstellingen. Gewoon cliëntgedrag is ongeorganiseerd, maar fraudeurs zullen in voorbeelden werken, ongeacht of ze het begrijpen of niet. Ze werken snel en op schaal. Een fraudeur zou niet proberen om in een keer $ 100.000 te nemen van een online administratie. Of misschien maken ze een handvol aan een groot aantal platen, waarvan elk een voordeel van een paar centen kan terugbetalen tot een paar dollar. Hoe het ook zij, deze oefeningen zullen zeker voorbeelden zijn en UML kan ze identificeren.

Conclusie:

Elke methode heeft zijn eigen aandachtspunten en belemmeringen en u kunt van elke strategie profiteren. Principes en notoriety records kunnen efficiënt en snel worden uitgevoerd zonder AI meesterschap. In ieder geval moeten ze voortdurend vernieuwd worden en zullen ze de meest goedgelovige fraudeurs rechtzetten. SML is uitgegroeid tot een out-of-the case innovatie die kan nadenken over elk van de kenmerken voor een eenzame record of gelegenheid, maar het is nog steeds beperkt omdat het geen nieuwe aanvalsontwerpen kan ontdekken. UML is de volgende ontwikkeling, omdat het nieuwe aanvalsontwerpen kan ontdekken, het merendeel van de records in verband met een aanslag kan onderscheiden en een volledig wereldwijd beeld kan geven. Aan de andere kant is het niet zo overtuigend dat het ophoudt met enkelvoudige fraudeurs met aanvallen met een laag volume en het is moeilijk om het zelf uit te voeren. In elk geval is het absoluut bemoedigend voor organisaties die een aanzienlijke schaal willen bereiken of altijd aanvallen willen ontwikkelen.

Een degelijk kader voor het detecteren van fraude maakt regelmatig gebruik van elk van de drie opmerkelijke methoden om AI te gebruiken voor het bestrijden van misrepresentatie. Wanneer ze op wettige wijze samen worden gebruikt, is het denkbaar om te profiteren van de voordelen van elk terwijl de tekortkomingen van de anderen worden verlicht.

Kunstmatige intelligentie bij het detecteren van fraude zal zich blijven ontwikkelen, voorbij de vorderingen die hierboven zijn onderzocht, en het is moeilijk om te proberen om te gaan met wat de volgende boondocks zullen lijken. Eén ding weten we echter zonder enige twijfel dat de probleemmakers er steeds mee verder zullen gaan en dat de race bezig is om AI te gebruiken om boosdoeners sneller te identificeren dan ze kunnen gebruiken om op te bergen. Bij Offshore Software Solutions gebruiken we de kracht van kunstmatige intelligentie om u technologieën te bieden die in één keer fraude kunnen detecteren. U kunt onze services hier bekijken www.offshoresoftware.solutions