Инновации машинного обучения для борьбы с финансовыми преступлениями

Инновации машинного обучения для борьбы с финансовыми преступлениями

Педро Бизарро, CSO Feedzai, рассказывает о том, как разработки на базе искусственного интеллекта могут побороть мошенничество в банковской среде. В этот раз он сконцентрировал свое внимание на 3 технологиях: OpenML, AutoML и Genome.

Финансовые преступления становятся более хитрыми, поэтому банкам нельзя отставать от современных тенденций. В связи с растущими рыночными требованиями к соответствию современным законам и прозрачности, вызванными такими нормативными актами как GDPR, стало ясно, что банкам есть над чем работать.

Финансовая индустрия быстро учится работать с платежами в режиме реального времени переключается на платежи в реальном времени и предоставление мгновенных услуг. Эти действия являются ключевыми аспектами беспроблемного взаимодействия с клиентами. Тем не менее именно они создают серверные проблемы безопасности, особенно в сфере финансовых преступлений.

Сегодня преступники открывают новые счета, чтобы скомпрометировать уже имеющиеся или отмыть деньги. Схемы современных мошенников практически невозможно отследить, настолько они запутанные. Чтобы защитить свою репутацию, банкам нужно выйти за рамки существующих стратегий предотвращения финансовых преступлений и понять, как они могут пресекать мошенничество.

Искусственный интеллект в борьбе против мошенничества

Как же можно перехитрить мошенников? Использовать технологии на основе искусственного интеллекта.

OpenML — открытое машинное обучение

Главным в системе обнаружения мошенничества является то, что они заставляют пользователей работать в рамках конструкций, которые не имеют смысла для их предприятий. До сих пор пользователям оставался один из двух вариантов:

  • работать в неэффективной среде обработки данных, предлагаемых поставщиком;
  • полагаться на собственные (часто устаревшие) платформы для борьбы с мошенничеством, отсутствующими алгоритмами машинного обучения.

Эти два варианта не подходят для работы в современной банковской среде, поэтому нужно думать, чем их заменить. Лучше всего подходит технология OpenML. Она позволяет пользователям интегрировать в систему собственные инструменты машинного обучения, библиотеки, алгоритмы и модели поведения.

По сути, пользователям предоставляется мощная платформа по борьбе с мошенничеством, которая может подстраиваться под конкретные потребности пользователя. OpenML Engine включает SDK для Python, R и Java, а также обеспечивает тесную интеграцию с инструментами машинного обучения, такими как H20, R Studio и DataRobot.

С такими интеграциями клиенты получают все преимущества персонально созданной платформы, при этом имея полноценный доступ к библиотекам с открытым исходным кодом, которыми пользуется ваша компания.

AutoML — автоматическое машинное обучение

AutoML — это способ ускорить сам процесс машинного обучения и повысить скорость, с которой банки смогут противостоять новым угрозам мошенничества. Раньше разработчикам приходилось вручную выполнять многие этапы создания модели, что занимало очень много времени. Автоматическое машинное обучение полностью «меняет игру», предоставляя полностью автоматизированное решение для генерации и разработки моделей, встроенное в саму платформу.

Много платформ, использующих AutoML, требуют значительной вычислительной мощности компьютера, чего порой нет у их клиентов. Поэтому будущее за теми компаниями, которые смогут разработать программы, требующие минимальных вычислительных мощностей и самостоятельно адаптирующихся к системе.

Все это делается с помощью автоматизированной структуры, которая требует минимального вклада со стороны Data Scientist, сокращая классическую временную шкалу рабочего процесса обработки данных с восьми недель до одного дня. Меньше времени, потраченного на создание модели, означает больше времени, потраченного на анализ данных.

Genome

Feedzai Genome — это мощный инструмент визуализации, который анализирует данные о транзакциях и подает их в понятном виде. В то время как OpenML и AutoML расширяют возможности анализа данных, Genome визуализирует связь между финансовыми транзакциями.

Используя механизмы виртуализации, Genome отображает взаимосвязь между транзакциями и создает простой способ идентификации шаблонов в каждом наборе данных. Пользователи могут просматривать взаимоотношения между каждой транзакцией, просматривать кластеры транзакций вокруг определенных пользователей, фирм или мест и отслеживать полный цикл каждой сделанной транзакции.

Все это выведет на совершенно новый уровень борьбу с мошенничеством. Технология имитирует естественную человеческую способность находить закономерности, усиливая ее в несколько раз. Благодаря этому обеспечивается более эффективная оценка рисков, включая глубокое понимание основных взаимоотношений между каждой транзакцией, что позволяет проводить более глубокую и тщательную оценку данных.

Fintech News


Оставить комментарий

Потребительские кредиты: лучшие предложения
Смотреть все

Банк

РОСБАНК

Сумма

от 50 000 Р.

Срок,(мес)

от 13

Ставка, годовых

10,99%

Банк

ТИНЬКОФФ БАНК

Сумма

от 50 000 Р.

Срок,(мес)

от 12

Ставка, годовых

9%