Saturs
- Krāpšana un bankas
- Kā mašīnmācība Hadoop var novērst krāpšanu?
- Rīki banku krāpšanas novēršanai
- Mašīnmācības mīnusi
- Secinājums
Avots: Ajv123ajv / Dreamstime.com
Izņemšana:
Krāpšanas atklāšana vienmēr ir bijusi banku nozares prioritāte, taču, pievienojot mūsdienīgus rīkus, piemēram, Hadoop, un mašīnmācību, tā var būt precīzāka nekā jebkad agrāk.
Krāpšanas atklāšana un novēršana ir īstas sāpes banku nozarei. Nozare tērē miljonus tehnoloģiju, lai samazinātu krāpšanu, taču lielākā daļa pašreizējo mehānismu ir balstīti uz statiskiem vēstures datiem. Un tas balstās uz paraugu un parakstu saskaņošanu, pamatojoties uz šiem vēsturiskajiem datiem, tāpēc pirmās reizes veiktas krāpnieciskas darbības ir ļoti grūti atklāt un var radīt daudz finansiālu zaudējumu. Vienīgais risinājums ir ieviest mehānismu, kura pamatā ir gan vēsturiskie, gan reālā laika dati. Šeit spēlē Hadoop platformu un mašīnu apguvi.
Krāpšana un bankas
Bankas ir ļoti neaizsargātas pret krāpšanu, jo krāpšana ir viņu galvenais naudas zaudēšanas iemesls. Aplēses liecina, ka banku krāpšanas dēļ katru gadu tiek zaudēti vairāk nekā 1,7 triljoni USD. Lai to novērstu, bankas tērē daudz naudas krāpšanas novēršanai. Tomēr viņi neaizņem daudz naudas, lai aizsargātu sevi. Tāpēc pašreizējās tehnoloģijas, ar kurām mūsdienās bankas ir aprīkotas, nav pietiekami jaudīgas. Tomēr lieli dati un mašīnmācība var palīdzēt atjaunināt pašreizējo sistēmu un samazināt krāpšanu līdz visu laiku zemākajam līmenim.
Pašreizējai krāpšanas atklāšanas pieejai ir šādi ierobežojumi:
Pašreizējo krāpšanas novēršanas metožu gadījumā ir nepieciešams pareizi atjaunināt algoritmu, ņemot vērā jaunākos krāpšanas gadījumus. Tomēr bieži šie modeļi tiek atjaunināti katru gadu, jo nepieciešamās izmaksas un laiks ir tik liels. Ir arī ļoti grūti iegūt precīzu algoritmu un to izmantot. Tātad, ja algoritms netiek regulāri atjaunināts, krāpšana var palikt nepamanīta līdz jaunāka algoritma ieviešanai, kas var tikt ieviests mēnešus vai pat gadus vēlāk.
Jūs nevarat uzlabot savas programmēšanas prasmes, kad nevienam nerūp programmatūras kvalitāte.
Kā mašīnmācība Hadoop var novērst krāpšanu?
Apstrādājot lielu datu daudzumu, kas precīzi tika izmantots kā grūts uzdevums, taču, parādoties lieliem datiem, ir izveidotas vairākas ātrākas un jaudīgākas datu apstrādes lietojumprogrammas. Viena no jaudīgākajām no šīm lietojumprogrammām ir Hadoop platforma. Hadoop ir ārkārtīgi spēcīgs, pateicoties tā MapR funkcijai, kas ļauj tai reālā laikā viegli un ļoti lēti apstrādāt lielu datu daudzumu.
Tā kā Hadoop var viegli apstrādāt lielu datu daudzumu uzreiz, to var izmantot, lai apstrādātu visus vecākos darījumu ierakstus un parakstus un izveidotu ārkārtīgi precīzu matemātisko modeli. Šo darījumu informāciju var izmantot arī parakstu iegūšanai, kas bankai ļaus pārtvert pirmo reizi veiktus krāpšanas darījumus. Tomēr šobrīd rodas jautājums, kuru rīku var izmantot datu apstrādei un perfekta algoritma izstrādei?
Rīki banku krāpšanas novēršanai
Palielinoties banku krāpniecībai, stundai nepieciešama laba krāpšanas pārvaldības lietojumprogramma. Viens no šiem rīkiem ir Skytree. Skytree faktiski ir īpaša mašīnmācīšanās platforma, kas sola piedāvāt augstu precizitāti un veiktspēju, pat ja problēma ir lielu bankas darījumu datu ierakstu apstrāde. Tas ir balstīts uz Hadoop MapR tipa datu kopām, kas nodrošina lielu datu apstrādi reālā laikā. Tajā var izmantot arī ļoti dažādas mašīnmācīšanās procedūras, ieskaitot uzraudzītas un neuzraudzītas metodes. Sakarā ar šādām efektīvām mašīnmācīšanās procedūrām Skytree spēj apturēt krāpnieciskus darījumus, izmantojot modernu modeli, un pat apturēt krāpšanos pirmo reizi, pamatojoties uz spēju pārtvert aizdomīgus darījumus. Skytree var automātiski atlasīt labāko informāciju un izmantot to, lai izveidotu ļoti precīzu modeli. Tas arī var viegli analizēt lielu datu daudzumu, tāpēc ar tā palīdzību ir vieglāk atjaunināt pašreizējo modeli.
Mašīnmācības mīnusi
Mašīnmācība var būt ļoti spēcīgs krāpšanas atklāšanas risinājums, taču tas var būt arī liels izaicinājums. Koncepcija ir tieši saistīta ar mākslīgo intelektu. Fakts, ka mūsu mašīnas pieņems lēmumus mūsu labā, var radīt morālas sekas. Tomēr nav jāuztraucas, jo lietojumprogramma noderēs mums un pieņems labākos lēmumus, ja to uzraudzīs darbinieks. Varat būt drošs, ka mašīnmācība ļaus izmantot gudrākas krāpšanas novēršanas metodes un palīdzēs novērst naudas zaudēšanu nākotnē.
Secinājums
Labākajai krāpšanas pārvaldības programmai jābūt jaudīgai, ātrai un precīzai, un tai jāpielāgojas dažādām situācijām. Lai to sasniegtu, lietojumprogrammai jāspēj izlobīt informāciju par darījumiem un parakstus, vienlaikus atjaunojot datu bāzi ar jaunākajiem krāpšanas veidiem. Tikai Hadoop balstīta platforma to varēs izdarīt, jo platformas, kuru pamatā ir Hadoop, ir ārkārtīgi ātras mašīnmācīšanās lietojumprogrammas, kuras var atbalstīt daudz dažādu veidu mašīnmācīšanās algoritmus. Līdztekus tam Hadoop balstītas platformas ir arī ļoti precīzas, tāpēc tās var viegli apturēt daudzu krāpšanas gadījumu parādīšanos, jo tās var atklāt krāpšanu reālā laikā. Tas nozīmē - ja speciāla mašīnmācīšanās lietojumprogramma atrodas bankas pusē, šai bankai ir tiesības būt gandrīz neaizsargātai pret krāpšanu!