6 elementi essenziali per combattere le frodi con l'apprendimento automatico

Immagine di intestazione

Fornito da SAS

Stu Bradley è vicepresidente per le frodi e l'intelligence sulla sicurezza di SAS.

Lo sentiamo sempre: Prevenzione frodi è difficile perché i truffatori cambiano e si adattano continuamente. Nel momento in cui capisci come riconoscere e prevenire una truffa, ne emerge una nuova per prenderne il posto.

Naturalmente, quindi, la migliore tecnologia per combattere le frodi è quella che può cambiare e adattarsi con la stessa rapidità delle tattiche del truffatore. Questo è ciò che rende apprendimento automatico (ML) sistemi perfetti per combattere le frodi. Se progettati in modo ottimale, apprendono, si adattano e scoprono i modelli emergenti senza l'adattamento eccessivo che può portare a troppi falsi positivi.

Tradizionalmente, le organizzazioni hanno fatto affidamento su sistemi basati su regole per rilevare le frodi. Le regole utilizzano la logica if-then che può essere approfondita per scoprire schemi noti di frode. E sebbene le regole rimangano un importante strumento di lotta alle frodi, soprattutto in combinazione con approcci avanzati, si limitano a riconoscere schemi che già conosci e che puoi programmare nella logica. Non sono efficaci nell'adattarsi a nuovi modelli di frode, scoprire schemi sconosciuti o identificare tecniche di frode sempre più sofisticate.

Ecco perché sempre più settori stanno adottando il machine learning e l'intelligenza artificiale per il rilevamento delle frodi. Ricerca recente di SAS e dell'Association of Certified Fraud Examiners hanno rilevato che solo il 13% delle organizzazioni di tutti i settori sfrutta queste tecnologie per rilevare e scoraggiare le frodi. Un altro 25% prevede di incorporarli nei propri programmi antifrode nei prossimi due anni, un salto di quasi il 200%.

Apprendimento supervisionato o non supervisionato per il rilevamento delle frodi

Quindi, come funziona? In poche parole, ML automatizza l'estrazione di modelli noti e sconosciuti dai dati. Una volta riconosciuti questi modelli, può applicare ciò che conosce a dati nuovi e invisibili. La macchina apprende e si adatta quando vengono presentati nuovi risultati e nuovi modelli tramite un ciclo di feedback.

Nel rilevamento delle frodi, i modelli ML supervisionati tentano di imparare dai record identificati nei dati, spesso indicati come dati etichettati. Per addestrare un modello supervisionato, lo presenti sia record fraudolenti che non fraudolenti che sono stati etichettati come tali.

Il ML non supervisionato è diverso. Quando non sai quali dati sono fraudolenti, chiedi al modello di apprendere la struttura dei dati da solo. È sufficiente presentarlo con i dati e il modello tenta di comprendere la struttura e le dimensioni sottostanti di tali dati.

Rilevare le frodi con ML: i componenti

Per applicare il ML al rilevamento delle frodi, avrai bisogno almeno dei seguenti componenti:

1. Dati : Come per tutte le applicazioni ML, la qualità dei dati è fondamentale per la creazione di sistemi ML anti-frode. I set di dati stanno solo diventando sempre più grandi e, con l'aumento dei volumi, aumenta anche la sfida del rilevamento delle frodi. Per fortuna il detto che più dati equivalgono a modelli migliori è vero quando si tratta di rilevamento delle frodi. Il fattore decisivo è avere una piattaforma ML in grado di scalare con l'aumento dei dati e della complessità.
2. Molteplicità : non esiste un unico algoritmo o metodo ML che funzioni meglio per il rilevamento delle frodi. Il successo deriva dalla capacità di provare molti metodi diversi, testare le variazioni e valutarle con una serie di set di dati. Ciò richiede un toolkit con una varietà di metodi supervisionati e non supervisionati, nonché una gamma di tecniche di ingegneria delle funzionalità. L'applicazione del ML in modi nuovi e innovativi, come la combinazione di una varietà di metodi supervisionati e non supervisionati in un unico sistema, è più efficace di qualsiasi singolo metodo da solo.
3. Integrazione : Sembra un must-have ovvio, ma rimane un ostacolo comune al successo in molte organizzazioni. Solo il 50% di tutti i modelli sviluppati entra in produzione, con conseguente spreco di sforzi. Dopo aver sviluppato un modello ML, la sfida diventa distribuirlo in un ambiente di runtime operativo. Se i tuoi dati sono in Hadoop, ha senso che il tuo modello ML possa essere applicato in Hadoop. Allo stesso modo, se i tuoi dati sono in streaming in sistemi in tempo reale, desideri un motore ML che possa essere eseguito in tempo reale o in streaming. La portabilità del modello e l'integrazione della logica decisionale all'interno dei sistemi operativi sono fondamentali per fermare le frodi su vasta scala – e come si verificano su larga scala.
4. Boxe bianco : i metodi e i modelli ML sono generalmente scatole nere. Spesso è molto difficile (se non impossibile) spiegare ai decisori come il modello è arrivato al punteggio o alla conclusione che ha raggiunto. Ma spiegare cosa e come per i sistemi ML è fondamentale, in particolare in settori altamente regolamentati come i servizi finanziari. Questo fattore di spiegabilità viene spesso definito white-boxing o interpretabilità ed è fondamentale per supportare la convalida del modello e i processi di governance.
5. Monitoraggio continuo : il monitoraggio continuo dei sistemi di rilevamento delle frodi ML è fondamentale per il successo. Man mano che le popolazioni e i dati sottostanti cambiano, si prevede che gli input del sistema si degraderanno e influiranno sulle prestazioni complessive. Questo non è esclusivo dei sistemi ML; i sistemi basati su regole hanno la stessa sfida. Ma i metodi ML più recenti possono adattarsi a modelli nuovi e non identificati quando si verificano cambiamenti sottostanti. Ciò elimina alcuni, ma non tutti, i passaggi di riqualificazione e valutazione del ML. Un buon programma di monitoraggio registra e tiene traccia dell'efficacia continua di tutti i modelli.
6. Sperimentazione : I programmi ML di successo hanno un elemento di sperimentazione continua. Non è sufficiente creare un modello ML e lasciarlo scricchiolare. I truffatori sono intelligenti e la tecnologia cambia rapidamente. Avere una sandbox in cui i data scientist possono sperimentare liberamente una varietà di metodi, dati e tecniche per combattere le frodi è diventato un aspetto critico dei principali programmi antifrode. Gli investimenti per aumentare la capacità dei data scientist che combattono le frodi possono produrre un ritorno quasi immediato.

Rilevamento del bilanciamento ed esperienza del cliente

Identificare transazioni nefaste fornendo al contempo un servizio clienti di qualità è un delicato atto di equilibrio. Un'organizzazione che rifiuta spesso transazioni legittime o rende le proprie misure di autenticazione troppo ingombranti rischia di perdere clienti. I sistemi ML sono ideali per ridurre al minimo questo tipo di attrito.

Ad esempio, un istituto finanziario globale ha recentemente collaborato con SAS per modernizzare il suo sistema di rilevamento delle frodi basato su regole e aiutare a trovare un equilibrio tra supervisione e servizio clienti. Per fare ciò, la banca ha implementato una soluzione basata su ML di SAS che utilizza un insieme di reti neurali per creare due diversi punteggi di frode:

1. Un punteggio di frode primario, che valuta la probabilità che un account sia in uno stato fraudolento.
2. Un punteggio transazionale, che valuta la probabilità che una singola transazione sia fraudolenta.

Utilizzando questo approccio dual-score, l'istituto finanziario ha correttamente identificato quasi 1 milione di dollari in transazioni mensili che erano state erroneamente identificate come frode. È stato anche in grado di trovare ulteriori $ 1,5 milioni al mese in frodi che in precedenza non erano state rilevate.

Riunendo tutto

Il rilevamento delle frodi è un problema impegnativo. Sebbene le transazioni fraudolente rappresentino una frazione molto piccola dell'attività all'interno di un'organizzazione, una piccola percentuale di attività può trasformarsi rapidamente in grosse perdite di denaro senza gli strumenti e i sistemi adeguati. Con i progressi del ML, i sistemi possono apprendere, adattarsi e scoprire modelli emergenti per prevenire le frodi, così puoi stare al passo con i truffatori anche mentre si evolvono e cambiano tattica.

nascondere