Makine Öğrenmesi, Dolandırıcılık ile Nasıl Mücadele Ediyor ?
Geleneksel saldırı tespitinin çok ötesine geçen sofistike makine öğrenme sistemleri, kuruluşların dolandırıcılıkta bir adım önde kalmasına yardımcı olmaktadır.
Geleneksel olarak, kuruluşlar sahtekarlığı tespit etmek için kurallara dayalı sistemlere güvenmiştir. Kurallar, bilinen sahtekarlık kalıplarını ortaya çıkarmak için ayrıntılı olan if-o zaman mantığını kullanır. Kurallar, özellikle gelişmiş yaklaşımlarla birlikte, önemli bir sahtekarlıkla mücadele aracı olarak kalsa da, bildiğiniz ve mantığa programlayabileceğiniz kalıpları tanımakla sınırlıdır. Yeni sahtekarlık modellerine uyum sağlamada, bilinmeyen şemaları ortaya çıkarmada veya giderek daha karmaşık sahtekarlık tekniklerini belirlemede etkili değildir.
Bu yüzden gittikçe daha fazla sayıda endüstri dolandırıcılık tespiti için ML ve yapay zekayı benimsemektedir. SAS ve Sertifikalı Sahtekarlık Testciler Birliği tarafından yapılan son araştırmalar, endüstrilerdeki organizasyonların sadece% 13'ünün sahtekarlığı tespit etmek ve caydırmak için bu teknolojilerden yararlandığını tespit etti. Önümüzdeki iki yıl boyunca onları dolandırıcılık karşıtı programlarına dahil etmeyi planlayan %25'lik kesimde bulunmaktadır.
Dolandırıcılık tespiti için gözetimli veya gözetimsiz öğrenme
Peki nasıl çalışıyor? Basitçe söylemek gerekirse, Makine öğrenmesi bilinen ve bilinmeyen kalıpların verilerden çıkarılmasını otomatik hale getirir. Bu kalıpları tanıdığında, yeni ve görünmeyen verilere bildiklerini uygulayabilir. Makine yeni sonuçlar olarak öğrenir ve adapte olur ve kendisine yeni desenler bir geri besleme döngüsü aracılığıyla sunulur.
Dolandırıcılık tespitinde, denetlenen Makine Öğrenmesi modelleri, genellikle etiketli veriler olarak adlandırılan verilerdeki tanımlanmış kayıtlardan öğrenmeye çalışır. Gözetimli bir modeli eğitmek için, hem etiketli hem de sahte olmayan kayıtları sunmak gerekmektedir.
Gözetimsiz ML ise farklıdır. Hangi verilerin sahte olduğunu bilmediğinizde, modelden veri yapısını kendi kendine öğrenmesini istersiniz. Siz sadece onu verilerle sunarsınız ve model bu verinin altında yatan yapı ve boyutları anlamaya çalışır.
Müşteri deneyimi
Kaliteli müşteri hizmeti sunarken zorlu işlemlerin belirlenmesi hassas bir dengeleme işlemidir. Meşru işlemleri reddeden veya kimlik doğrulama önlemlerini çok hantal yapan bir kuruluş müşterilerini kaybetmeye mahkumdur. ML sistemleri bu tür sürtünmeyi en aza indirmek için idealdir.
Örneğin, global bir finans kurumu yakın zamanda kural tabanlı sahtekarlık tespit sistemini modernize etmek ve gözetim ile müşteri hizmetleri arasında bir denge kurulmasına yardımcı olmak için çalışmaya başladı. Bunu yapmak için, banka iki farklı dolandırıcılık puanı oluşturmak için bir dizi sinir ağı topluluğunu kullanan bir firmadan ML tabanlı bir çözüm uyguladı:
- Bir hesap sahtekarlık durumunda olma olasılığını değerlendiren birincil sahtekarlık puanı.
- Tek bir işlemin sahte olduğu ihtimalini değerlendiren işlem puanı, bu verinin boyutları ve boyutları.
Bu çift puanlı yaklaşımı kullanarak, finans kurumu, hatalı olarak dolandırıcılık olarak tanımlanan aylık işlemlerde yaklaşık 1 milyon doları doğru bir şekilde tanımladı. Ayrıca, daha önce tespit edilmeyen dolandırıcılıkta ayda 1,5 milyon dolar daha ekleyebildi.
Teknolojinin ilerlemesi dolandırıcılık işlemlerinin önemli ölçüde artmasına yardımcı olur. Kamuoyunun bilgi eksikliği, firmaları sahtekarlığı önleme konusunda ek önlemler almaya itmiştir. Dolandırıcılık tespiti zor bir sorundur. Sahte işlemler, bir kuruluş içindeki çok küçük bir etkinlik bölümünü temsil etse de, küçük bir etkinlik yüzdesi, doğru araçlar ve sistemler olmadan hızlı bir şekilde büyük dolar zararlarına neden olabilir. ML’deki gelişmelerle, sistemler sahtekarlığı önlemek için ortaya çıkan kalıpları öğrenebilir, uyarlayabilir ve ortaya çıkarabilir — böylece evrimleşip taktiklerini değiştirirken bile sahtekarlara ayak uydurabilirsiniz.
Daha Fazlasını https://bilimkocu.com bulabilirsiniz
