تفوز جامعة بنيت تحدي البيانات الضخمة مع نموذج احتيال جديد!

تفوز جامعة بنيت تحدي البيانات الضخمة مع نموذج احتيال جديد!

Bremen, Deutschland - فريق من جامعة البناء في المسار المهني. مُنحت الجائزة لنموذج إحصائي مبتكر وشفاف ومنتظم للاعتراف بالاحتيال المالي. لا يتميز هذا النموذج بدقة دقته فحسب ، بل يتجاوز أيضًا الطرق التقليدية للتعلم الآلي في الدقة.

تركز المنافسة ، التي يتم تنظيمها سنويًا من قبل مختبر الأنظمة المعرفية (CSL) لجامعة بريمن ، على التعرف على الاحتيال هذا العام. واجهت الفرق المشاركة ، بما في ذلك الشركات الرائدة في المنطقة ، التحدي المتمثل في تطوير أساليب فعالة لتحديد الأنشطة الاحتيالية. يتألف الفريق الذي تنافس تحت اسم SpiderBobs وتحت اتجاه الدكتور يوهانس فالك ، ما بعد الدكتوراه في مجموعة بيولوجيا الأنظمة الحسابية ، التي تديرها ، من Eda Cakir والدكتور علي Salehzadeh-Yazdi.

طرق مبتكرة للكشف عن الاحتيال

لحل المشكلة ، تم اختبار النماذج المشتركة المختلفة ، بما في ذلك شبكات الخلايا العصبية LSTM. ومع ذلك ، في النهاية ، طور الفريق نموذجًا قائمًا على القواعد يتميز بنتيجة F1 قدرها 0.9992 ، والذي يعتبر مؤشراً دقة مركزية في اكتشاف الاحتيال. تهدف الفرق إلى إنشاء تحليلات شفافة قادرة على التنافس مع أساليب الصندوق الأسود غير الشفافة في كثير من الأحيان من الذكاء الاصطناعى أو حتى تجاوزها.

يتطلب النموذج المتقدم فهمًا عميقًا لآليات البيانات والنمذجة الاحتمالية. يعتمد على القواعد المحددة بوضوح والاعتبارات الاحتمالية وتحليل تدفقات الأموال وهياكل الشبكة. تتيح هذه المنهجية تحديد الحسابات غير الاحتياطية وإنشاء ملفات تعريف سلوكية لحركات الحساب المشروعة. تتضمن استراتيجية الطبقان المطبقة المقارنة مع الملف السلوكي ومراجعة احتمال الاحتيال.

تحليل البيانات والوقاية من الاحتيال

هذه الأيام ، أصبحت مصطلحات مثل البيانات الكبيرة والتحليلات التنبؤية والتعلم الآلي ذا أهمية متزايدة. أنها تحدث ثورة في نماذج الأعمال ويمكن استخدامها أيضًا للوقاية من الاحتيال. وفقًا لـ risknet هي استخدام الأساليب الإحصائية لتحليل وتصور سجلات البيانات الكبيرة في وسط النمو. الهدف من تحليل البيانات ليس فقط إنشاء ملفات تعريف الشخصية ، ولكن أيضًا تنفيذ التنبؤات في الوقت الفعلي.

قانون داس بنفورد ، الذي اكتشفه سيمون نيوكومب في عام 1881 ، هو مثال على استخدام التحليلات الإحصائية للكشف عن الاحتيال. ومع ذلك ، فإن الأساليب الأكثر تعقيدًا ، بما في ذلك التعلم الآلي ، تزيد بشكل كبير من كيس تشخيص نماذج المخاطر. تعد دورة PDCA ، التي تتيح تحليلات البيانات المنظمة ، وعملية KDD (اكتشاف بيانات المعرفة) عناصر مركزية لإدارة الزوجة الفعالة.

مع نجاح الفريق من جامعة مُنشئ ، مرة أخرى ، يتم التأكيد على أهمية البحث متعدد التخصصات والتميز العلمي في مجال تحليل البيانات ومكافحة الاحتيال. في ضوء الرقمنة التدريجية ، يتعين على الشركات تطوير فهم جديد لتحليلات البيانات من أجل استخدام فرص اليوم على النحو الأمثل. سيعمل مديرو المخاطر في المستقبل بشكل متزايد كمديرين للبيانات أو العلماء ويقومون بتطوير نماذج قوية لتحليل البيانات.