""

È un fatto piacevole che l'apprendimento automatico sia fondamentale per qualsiasi organizzazione che debba rimanere all'avanguardia nell'universo in rapida evoluzione della frode. I sistemi artificialmente intelligenti rendono l'identificazione delle frodi sempre più precisa, progressivamente versatile e molto più veloce. Le organizzazioni possono essere consapevoli dell'enorme quantità di informazioni in streaming, evitare disgrazie in modo ancora più sostenibile e offrire un'esperienza di qualità superiore dal momento che un minor numero di richieste viene rifiutato o posticipato.

Intelligenza artificiale e protezione dalle frodi

È semplice perché l'apprendimento automatico ha creato un tale entusiasmo nella comunità di rilevamento delle frodi. In un modo o nell'altro, la prevenzione delle frodi appare come il caso d'uso perfetto per questo tipo di ciò che alcuni chiamano Intelligenza Artificiale. C'è un'enorme quantità di informazioni connesse a ogni scambio, ci sono solidi schemi che possono essere trovati nei comportamenti di acquisto e nelle propensioni (sia quelle dei buoni clienti che quelle dei falsi), e c'è una risposta verso il giorno La fine: uno scambio verrà addebitato o meno. Ciò implica che è possibile etichettare le informazioni e fornire l'input della macchina, che è il modo con cui si calcola come essere progressivamente esatto dopo qualche tempo.

 ""

Numerose organizzazioni hanno incorporato artificialmente intelligente con tutto il cuore e sono stati interessati dalle associazioni sorprendenti che la macchina aveva la capacità di produrre. Dal momento che la macchina si avvicina alle informazioni in modo imparziale e comunemente viene fornita per gestire molte informazioni, può individuare schemi e connessioni che le persone, la cui vista è sempre più limitata, non sono pronte a vedere.

In ogni caso, l'apprendimento automatico senza supervisione ti porterà solo fino ad ora. Possiamo discutere di Intelligenza Artificiale, comunque fino ad ora, nonostante il fatto che le macchine possano imparare, non possono pensare. Possono solo elaborare e suddividere i dati che vengono dati. Ciò implica che i risultati ottenuti sono soggetti alle informazioni che hai fornito alla macchina. Inserisci informazioni terribili, frammentarie o ingannevoli e otterrai informazioni terribili, inadeguate o ingannevoli. Una macchina non tenterà di dare un senso a ciò che sta succedendo con le informazioni, o di elaborare un percorso intorno a questo problema, o di essere visitato da un'istantanea di comprensione che dimostra l'intera cosa in un'altra luce.

Trovare una soluzione al problema: Intelligenza Artificiale

L'intelligenza artificiale nella prevenzione delle frodi ha dimostrato un apparato colossalmente proficuo, ma non un proiettile d'argento. Mentre la velocità e la scala di cui sono dotate le macchine hanno cambiato ciò che è concepibile nel rilevamento delle frodi, non sono sufficienti senza che nessun altro possa comprendere le difficoltà imprevedibili incluse. Una macchina può essere migliore nell'anticipare il clima, o nel riconoscere una fotografia, rispetto a un individuo. Sia come sia, né il clima né le fotografie combattono. Non tentano di nascondersi o intrappolano la macchina nel supporre che siano qualcosa di diverso o che sviluppino nuove strategie.

I truffatori, ovviamente, fanno ognuna di queste cose. La loro intera metodologia è quella di confondere le informazioni, di rendere i loro profili più persuasivi di quanto non siano, di abbracciare gli attributi noti dei buoni acquirenti, di volare sotto il radar. Stanno incessantemente pensando ad approcci migliori per avvolgersi, e per potenziare i cambiamenti di carattere completo a una velocità che Clark Kent avrebbe invidiato. Inoltre, sviluppano continuamente nuovi assalti all'estorsione, con nuovi sistemi o nuove innovazioni. Qui e là lavoreranno sugli anelli per confondere ulteriormente l'immagine.

La maggior parte di questo è un errore per una macchina. Nel momento in cui le cose cambiano rapidamente, potrebbe essere difficile per una macchina tenere duro. Le macchine superano le aspettative in "enormi informazioni" – nel trovare gli esempi in serie di dati davvero gigantesche. Comunque sia, la falsa dichiarazione, esplicitamente, riguarda regolarmente "piccole informazioni". Hai bisogno di ottenere i truffatori prima che abbiano effettivamente rubato un enorme numero di dollari con un altro metodo che hanno avuto la possibilità di usare ancora e ancora prima che il tuo framework andasse avanti. Fondamentalmente, devi pensare a loro.

Aggiunta di elementi umani alle macchine: aiuto nel rilevamento delle frodi

Quello che fanno numerosi gruppi e organizzazioni fraudolenti è l'uso dell'apprendimento automatico a un livello limitato, e successivamente la questione viene passata ai commentatori manuali. Il gruppo di sondaggi sarà incaricato di esaminare gli scambi che in qualche modo sembrano sospetti.

L'apprendimento automatico non è sufficiente senza l'intervento di qualcun altro, tuttavia le indagini manuali riportano tutti i problemi che le macchine stavano illuminando. Sono moderati, non sono versatili e non sono eccessivamente precisi. Inoltre, un commentatore la cui attività è di dare un'occhiata ad uno scambio dopo l'altro e di dare una scelta il più veloce possibile, perde l'incredibile impressione di 10.000 piedi per vedere l'informazione che incoraggia la macchina a scoprire esempi e modelli di note.

 ""

I dipartimenti di frode si rendono conto che questo è un problema, ma lottano per stare al passo con le ultime con la creazione di modelli e per dare il tempo di guardare oltre a quello che ci si aspetta da scambi individuali scelti. L'impatto finanziario della frode ritiene che il 56% dei concessionari dichiari che la moderazione dell'estorsione che prepara il tempo è difficile da mettere da parte. In effetti, anche le persone che sorvegliano per la maggior parte non possono organizzarlo – e i truffatori si muovono velocemente, un avanzamento così consistente è fondamentale.

Esame comportamentale e sistemico – I sistemi artificialmente intelligenti utilizzano enormi informazioni per riconoscere la condotta reale dei clienti dalla condotta del robot , osservando le irregolarità all'interno dei progetti di aspetto del sito. In generale, i partner dei robot visiteranno un simile gruppo di aree ancora e ancora alla luce del fatto che la loro condotta è informatizzata. Distinguere questi esempi può consentirci di rendere i robot dipendenti dalla loro condotta. Tutto considerato, la maggior parte della gente non visita luoghi simili, esattamente nella stessa richiesta, in numerose occasioni ogni giorno. Nella remota possibilità che questi complici abbiano appena visitato aree esplicite che possono mostrare una manciata di movimento dei bot, seguiamo questi esempi e controlliamo questo traffico come ingannevole. Ovviamente, i sistemi di apprendimento automatico possono anche riconoscere i progetti nell'improvvisa ora di punta che non sono rapidamente disponibili agli esperti umani. <. P>  ""

Indagine sui programmi e sui gadget : l'apprendimento automatico ci consente di riconoscere le sorgenti di traffico non valide coordinando i punti salienti del programma allo specialista del cliente. Mentre questo tipo di garanzia viene spesso definito erroneamente come "deterministico", sarebbe bizzarro senza utilizzare approcci di apprendimento automatico per riconoscere i progetti all'interno di vaste collezioni informative. Collegato in modo efficace e controllato da informazioni adeguate, questa strategia di identificazione può aiutare a rimuovere interi sistemi bot.

Strategia per rilevare le frodi: integrazione dei modelli di IA supervisionati e non sorvegliati

Dal momento che i piani criminali sono così avanzati e rapidi da regolare, i sistemi di protezione dipendenti da una singola procedura sistematica adatta a una stima creeranno risultati scadenti. Ogni caso d'uso dovrebbe essere sostenuto da sistemi di rilevamento di incoerenza creati da esperti che sono l'ideale per il problema attuale. Di conseguenza, sia i modelli supervisionati che quelli non supervisionati assumono un ruolo fondamentale nel rilevamento delle frodi e devono essere intessuti in sistemi di frode completi e all'avanguardia.

 ""

  • Un modello supervisionato, il tipo di apprendimento automatico più ampiamente riconosciuto su tutti gli ordini, è un modello preparato su una ricca gamma di scambi legittimamente "etichettati". Ogni scambio è etichettato come estorsione o non travisamento. I modelli sono preparati ingestendo misure enormi di sottigliezze dello scambio etichettato in modo da apprendere progetti che rispecchiano al meglio le pratiche genuine. Quando si crea un modello supervisionato, la misura delle informazioni di preparazione immacolate e significative è specificamente connessa con l'esattezza del modello.

 ""

  • I modelli non supervisionati sono destinati a individuare comportamenti atipici in situazioni in cui le informazioni di scambio etichettate sono generalmente sottili o inesistenti. In questi casi, un tipo di autoapprendimento deve essere utilizzato per presentare esempi di informazioni che sono impercettibili a diversi tipi di esame. I modelli senza sorveglianza hanno lo scopo di trovare eccezioni che parlano in anticipo di tipi di frode nascosti. Queste strategie basate sull'intelligenza artificiale riconoscono le anormalità del comportamento distinguendo gli scambi che non rispettano la parte dominante. Per esattezza, queste incongruenze sono valutate alla dimensione individuale e in aggiunta attraverso l'esame di aggregati di amici moderni.

Scegliendo un mix ideale di metodi di IA gestiti e non supervisionati, è possibile distinguere tipi di condotta sospetta già nascosti mentre si percepiscono rapidamente gli esempi più non invadenti di frodi che sono stati visti di recente su più di miliardi di record.

Modelli di IA supervisionati e rilevamento di frodi

L'apprendimento automatico è un sottocampo dell'intelligenza artificiale che cerca di affrontare il problema delle metodologie del passato che sono eccessivamente inflessibili. Gli scienziati hanno avuto bisogno delle macchine per ottenere dalle informazioni, invece di codificare ciò che questi progetti PC dovrebbero cercare (una metodologia alternativa dai quadri master). L'apprendimento automatico ha iniziato a fare enormi passeggiate durante gli anni '90, e negli anni 2000 è stato adeguatamente utilizzato anche per combattere la falsa dichiarazione.

Collegato alla frode, il machine learning supervisionato (SML) parla con grande anticipo. Non è tremendamente uguale agli standard e alle annotazioni di notorietà sulla base del fatto che, al contrario di dare un'occhiata a un paio di punti salienti con principi e porte semplici, tutti i punti salienti sono visti insieme.

Tutto sommato, il SML collegato al rilevamento di frodi è un territorio di miglioramento funzionante alla luce del fatto che esistono numerosi modelli e metodologie SML. Ad esempio, l'applicazione di sistemi neurali alla falsa rappresentazione può essere eccezionalmente utile alla luce del fatto che essa include la progettazione, un avanzamento generalmente esorbitante che richiede la mediazione umana. Questa metodologia può diminuire il tasso di falsi positivi e falsi negativi in contrasto con altri modelli SML, ad esempio, SVM e modelli arbitrari di boschi, poiché i neuroni avvolti possono codificare molti più elementi possibili concepibili di quelli che dovrebbero essere possibili da un essere umano.

Modelli di IA non sorvegliati e rilevamento di frodi

Contrariamente a SML, l'apprendimento automatico senza supervisione (UML) ha diviso meno problemi di area. Per l'individuazione di frodi, UML non ha generalmente la capacità di incoraggiare molto. Gli approcci UML regolari (ad esempio, k-implies e vari livelli di raggruppamento, sistemi neuronali non supervisionati e indagini di segmento più importanti) non hanno avuto la capacità di realizzare grandi risultati per la scoperta della falsa dichiarazione. Avere un modo incustodito di occuparsi dell'estorsione può essere difficile da lavorare internamente poiché richiede di preparare miliardi di occasioni tutte insieme e non ci sono modelli potenti e senza supervisione fuori dalla casse. Nondimeno, ci sono organizzazioni che hanno fatto progressi in giro.

La ragione per cui potrebbe essere collegata all'estorsione è dovuta alle strutture vitali della maggior parte degli assalti alla falsa dichiarazione. La condotta ordinaria del cliente è disorganizzata, ma i truffatori lavoreranno in esempi, indipendentemente dal fatto che lo capiscano o meno. Stanno lavorando rapidamente e su vasta scala. Un truffatore non tenterebbe di prendere $ 100.000 in una volta da un'amministrazione online. O forse, fanno manciate a un gran numero di record, ognuno dei quali può restituire un beneficio di un paio di penny a pochi dollari. Comunque sia, quegli esercizi faranno sicuramente degli esempi e UML li può identificare.

Conclusione:

Ogni metodologia ha i suoi punti focali e gli ostacoli e puoi trarre profitto da ogni strategia. I record di principi e di notorietà possono essere eseguiti in modo efficiente e rapido senza la padronanza dell'IA. In ogni caso, devono essere continuamente aggiornati e si limiteranno a quadrare i truffatori più ingenui. SML si è trasformata in un'innovazione fuori dal comune che può pensare ad ognuna delle caratteristiche per una registrazione o un'occasione solitaria, tuttavia è ancora limitata dal fatto che non è possibile scoprire nuovi progetti di assalto. UML è il seguente avanzamento, in quanto può scoprire nuovi progetti di assalto, distinguere la maggior parte dei record relativi a un assalto e offrire una visione completa a livello mondiale. Inoltre, non è così avvincente nel fermare singoli truffatori con assalti a basso volume ed è difficile da eseguire internamente. In ogni caso, è assolutamente incoraggiante per le organizzazioni che sperano di quadrare una scala sostanziale o di sviluppare sempre assalti.

Una solida struttura di rilevamento delle frodi utilizza regolarmente ciascuno dei tre metodi degni di nota per utilizzare l'intelligenza artificiale per combattere la falsa rappresentazione. Quando vengono utilizzati legittimamente insieme, è pensabile trarre profitto dai benefici di ciascuno, alleviando le carenze degli altri.

L'Intelligenza Artificiale nel rilevamento delle frodi continuerà a svilupparsi, oltre i progressi sopra esaminati, ed è difficile provare a gestire ciò che assomiglierà ai seguenti boondocks. Una cosa che sappiamo senza dubbio, tuttavia, è che i produttori di guai continueranno ad avanzare al suo fianco, e la gara è in corso per utilizzare l'intelligenza artificiale per identificare i colpevoli più rapidamente di quanto possano utilizzarli per riporre. In Offshore Software Solutions utilizziamo il potere dell'intelligenza artificiale per fornirti tecnologie in grado di rilevare le frodi in una sola volta. Puoi controllare i nostri servizi qui www.offshoresoftware.solutions