تشخیص کلاهبرداری در فین تک

تشخیص تقلب و کلاهبرداری در فین تک
نویسنده: مدیر سایت ۲۸ خرداد ۱۳۹۸

میدانید هر ساله بانک ها چقدر پول بابت کلاهبرداری از دست می دهند؟ خبرگزاری Financial Regulation News data اعلام کرد بانک ها در سال 2016، 2.2 میلیارد دلار بابت کلاهبرداری از دست دادند که 58 درصد آن از طریق کارت های اعتباری بوده است. پیش بینی شده که این آمار تا سال 2020، 42 درصد افزایش خواهد یافت.

اما خبر خوب این که با پیشرفت تکنولوژی، از هوش مصنوعی و یادگیری ماشین در جلوگیری از کلاهبرداری و تقلب بانک ها و شناسایی تراکنش های مشکوک در لحظه استفاده می شود.

احراز کلاهبرداری (fraud detection) چیست؟ این تکنیک در تمام صنایع، برای شناسایی رفتارهای غیرمعمول و متوقف کردن رفتار یا فعالیتی که برای سازمان مضر باشد، استفاده می شود. پیش از پیشرفت تکنولوژی، در روش سنتی تحلیل اطلاعات و قوانین توسط اشخاص انجام می شد، زمان زیادی صرف می شد و پیچیدگی زیادی داشت. غالباً این روش به علت ناکارآمدی نمیتوانست جلوی تکرار کلاهبرداری را بگیرد.

کلاهبرداری های اینترنتی کاملاً به تکنولوژی وابسته هستند. هرچه تکنولوژی بازار قوی تر باشد، ابزارهای اهراز و جلوگیری از تقلب  و کلاهبرداری قوی تر خواهد بود.

ابزارهای هوش هصنوعی که برای احراز کلاهبرداری استفاده می شود:

  • داده کاوی: استخراج و طبقه بندی داده ها به نحوی که الگوهای رفتاری و الگوهای تقلب در آن مشخص شود.
  • سیستم های متخصص برای قانون گذاری کلاهبرداری
  • تعریف الگوهایی برای تشخیص رفتارهای مشکوک و انطباق داده ها
  • یادگیری ماشین، برای تشخیص الگوهای مشکوک بدون دخالت انساس
  • شبکه عصبی قابل یادگیری الگوها برای تشخیص کلاهبرداری

چطور با یادگیری ماشین، تشخیص کلاهبرداری در فین تک را انجام دهیم؟

فراموش نکنید که فرایند جلوگیری از کلاهبرداری در فین تک ، یک فرایند پویا و یک چرخه است که شامل : رصد کردن، شناسایی، تصمیم گیری، مدیریت مورد به مورد و یادگیری است.

زمانی که الگوریتم fraud detection را روی یادگیری ماشین پیاده می کنید، باید قابلیت تشخیص رفتار عادی و صحیح از رفتار مشکوک و جعلی را داشته باشد و حتی تکنیک های پیش بینی نشده تقلب را نیز شناسایی کند. در نتیجه باید تلفیقی از متدهای تحت نظارت و بدون نظارت (supervised & unsupervised) استفاده شود.

 

  • متد تحت نظارت (Supervised) : روند یادگیری الگوریتم توسط ماشین، مانند یک معلم به ماشین آموزش داده می شود.
  • متد بدون نظارت (unsupervised) : هدف این روش مدل سازی کردن ساختارهاست و هیچ پاسخ درستی قرار نیست ارائه دهد.

 

در نهایت، یک سیستم هوش مصنوعی برای تشخیص کلاهبرداری در فضای فین تک، باید بتواند تراکنش های مشکوک را شناسایی کند و تحلیل داده اولین چیزی است که این سیستم باید یاد بگیرد زیرا کار این ماشین، طراحی الگوهای قابل تشخیص از اطلاعات درهم و پیچیده ورودی است.

 

منبع: .archer-soft.com

اشتراک گذاری:
Related news

نظرات کاربران

نظراتتان را با دیگران به اشتراک بگذارید.

Copyright © 2019 DMOND Inc. All rights reserved

خدمات مشاوره و آموزش شتابدهنده دیموند
This is default text for notification bar