Մեքենայական ուսուցման միջոցով խարդախության հայտնաբերումը հզոր համակցություն է, որը, ամենայն հավանականությամբ, շատ շուտով վերջնական լուծում կդառնա էլեկտրոնային առևտրի և բանկային ոլորտների համար: Իմացեք, թե ինչ կարող է առաջարկել տեխնոլոգիան խարդախությունը հայտնաբերելու և կանխելու համար:

Այն իրերը, որոնք մարդիկ տարիներ առաջ գնում էին խանութներից, այժմ գնում են առցանց՝ անկախ նրանից, թե ինչ են դրանք՝ կահույք, սնունդ կամ հագուստ: Արդյունքում, էլեկտրոնային առևտրի համաշխարհային շուկան արագորեն աճում է և մինչև 2021 թվականը գնահատվում է 4,9 տրիլիոն դոլար: Սա, անկասկած, ստիպում է հանցավոր աշխարհի անդամներին գտնել ուղիներ դեպի զոհերի դրամապանակները համացանցի միջոցով:

Դաշնային, տեղական և նահանգային իրավապահ մարմինները մասնավոր կազմակերպությունների հետ միասին 2019 թվականին հայտնել են ինքնության գողության 3 միլիոն դեպք: Այս դեպքերի մոտ 25%-ում գումար է կորել: Ըստ IC3-ի (Ինտերնետ հանցագործության բողոքների կենտրոնի)՝ 2019 թվականին խարդախության հետևանքով առաջացած ֆինանսական կորուստները եղել են ամենաբարձր մակարդակի վրա. IC3-ը մշակել է գրեթե 500,000 բողոք: Բացի այդ, IC3-ը հայտնել է, որ 2019 թվականին բիզնեսի և անձնական կորուստները գրեթե 3,5 միլիարդ դոլարով ավելի են եղել, քան 2018 թվականին:

Տվյալների վերլուծության օգտագործումը խարդախությունը հայտնաբերելու համար

Ինչպես տեսնում եք, թվերը շատ բարձր են, և, ցավոք, առցանց հանցագործներն այժմ գործում են գրեթե բոլոր ոլորտներում: Իհարկե, վտանգներն այստեղ բոլորի համար հավասար չեն. Այնուամենայնիվ, խարդախության սպառնալիքի տակ գտնվող բոլոր ոլորտները կարող են օգտվել խարդախության հայտնաբերման պատշաճ մեթոդներից: Անվտանգության այս մարտահրավերի հնարավոր լուծումներից մեկը տվյալների վերլուծությունն է:

Տվյալների վերլուծության գործիքները կարող են մշակել հսկայական քանակությամբ տեղեկատվություն մարդկային հնարավորություններից շատ ավելի արագ: Եթե ​​որոշեք լուծել խարդախության խնդիրը տվյալների վերլուծության մոտեցմամբ, դուք կկարողանաք օգտագործել լուծումներ, որոնք կարող են հայտնաբերել տվյալների մեջ անոմալիաներ: Դա չի նշանակում, որ ամեն ինչ ինքնաբերաբար կկատարվի. դեռևս կարիք կա մարդկային փորձագետի, որը կարող է վերջնական որոշումներ կայացնել: Այնուամենայնիվ, ծրագրային ապահովման ճիշտ հավաքածուի դեպքում ամբողջ գործընթացը կլինի շատ ավելի հեշտ, ավելի ծախսարդյունավետ և ավելի արդյունավետ: Ֆինանսական հաստատությունները հատկապես պահանջում են տվյալների վերլուծություն՝ կազմակերպությունում խարդախության հնարավոր սցենարները նվազեցնելու համար:

Տվյալների վերլուծությունը բարելավելու ամենատարածված տեխնոլոգիան մեքենայական ուսուցումն է: ML-ի վրա հիմնված լուծումները կարող են հարմարեցվել կազմակերպության հատուկ կարիքների համար և ապահովել 24/7 վերլուծություն: Եկեք մանրամասն քննարկենք, թե ինչպես է այն աշխատում և ինչպես կարող է ձեր կազմակերպությունը օգուտ քաղել այս տեխնոլոգիայից:

Մեքենաների ուսուցում և արհեստական ​​ինտելեկտը խարդախության հայտնաբերման գործում

«Արհեստական ​​ինտելեկտը կլինի Google-ի վերջնական տարբերակը: Գերազանց որոնման համակարգ, որը կհասկանա համացանցում ամեն ինչ: Դա հստակ կհասկանար, թե ինչ եք ուզում, և դա ձեզ ճիշտ բան կտար։ Մենք հիմա մոտ չենք դա անելու: Այնուամենայնիվ, մենք կարող ենք աստիճանաբար ավելի մոտենալ դրան, և դա հիմնականում այն ​​է, ինչի վրա մենք աշխատում ենք»: —Լարի Փեյջը՝ Google-ի համահիմնադիրն ու մշակողը:

Մեքենայական ուսուցման միջոցով խարդախության հայտնաբերումը հնարավոր է դառնում ML ալգորիթմների՝ պատմական խարդախության օրինաչափություններից սովորելու և ապագա գործարքներում դրանք ճանաչելու ունակության շնորհիվ: Մեքենայի ուսուցման ալգորիթմներն ավելի արդյունավետ են թվում, քան մարդիկ, երբ խոսքը վերաբերում է տեղեկատվության մշակման արագությանը: Բացի այդ, ML ալգորիթմները կարողանում են գտնել խարդախության բարդ հատկանիշներ, որոնք մարդը պարզապես չի կարող հայտնաբերել:

  • Ավելի արագ է աշխատում: Կանոնների վրա հիմնված համակարգերը ենթադրում են ստույգ գրավոր կանոնների ստեղծում՝ ալգորիթմին «պատմելու» համար, թե որ տեսակի գործողությունները նորմալ են թվում և պետք է թույլատրվեն, և որոնք չպետք է լինեն, քանի որ դրանք կասկածելի են թվում: Այնուամենայնիվ, կանոններ գրելը շատ ժամանակ է պահանջում: Բացի այդ, էլեկտրոնային առևտրի աշխարհում ձեռքով փոխազդեցությունն այնքան դինամիկ է, որ մի քանի օրվա ընթացքում ամեն ինչ կարող է զգալիորեն փոխվել: Այստեղ Մեքենայի ուսուցման խարդախության հայտնաբերման մեթոդները օգտակար կլինեն նոր օրինաչափություններ սովորելու համար:
  • Սանդղակ: ML մեթոդները ցույց են տալիս ավելի լավ կատարողականություն, ինչպես նաև տվյալների բազայի աճը, որին դրանք տեղադրվում են, ինչը նշանակում է, որ որքան շատ կեղծ գործողությունների նմուշներ են նրանք վերապատրաստվում, այնքան ավելի լավ են ճանաչում խարդախությունը: Այս սկզբունքը չի կիրառվում կանոնների վրա հիմնված համակարգերի համար, քանի դեռ դրանք երբեք չեն զարգանում: Նաև տվյալների գիտության թիմը պետք է տեղյակ լինի մոդելի արագ մասշտաբավորման հետ կապված ռիսկերի մասին. եթե մոդելը չի ​​հայտնաբերել խարդախություն և այն սխալ է նշել, դա ապագայում կհանգեցնի կեղծ բացասականների:
  • Արդյունավետություն. Մեքենաները կարող են կատարել սովորական առաջադրանքներ և ձեռքով վերլուծության կեղտոտ աշխատանքը, մինչդեռ մասնագետները միայն ժամանակ են ծախսում ավելի բարձր մակարդակի որոշումներ կայացնելու համար:

Ցանկանու՞մ եք ավելին իմանալ: Ամբողջական հոդվածը կարդացեք այստեղ՝ https://spd.group/machine-learning/fraud-detection-with-machine-learning/