Constructor University vyhrává výzvu Big Data s novým modelem podvodu!

Constructor University vyhrává výzvu Big Data s novým modelem podvodu!

Bremen, Deutschland - Tým University V profesionální trati. Cena byla udělena za inovativní, transparentní a pravidelný statistický model pro uznání finančního podvodu. Tento model je charakterizován nejen jeho přesností, ale také překračuje konvenční metody strojového učení v přesnosti.

Konkurence, kterou každoročně organizuje Laboratoř kognitivních systémů (CSL) University of Bremen, se letos zaměřila na rozpoznávání podvodů. Zúčastněné týmy, včetně předních společností AI v regionu, čelily výzvě rozvoje účinných přístupů k identifikaci podvodných činností. Tým, který soutěžil pod názvem Spiderbobs a pod vedením Dr. Johannes Falk, postdoktorand ve skupině Biology Computational Systems, provozoval, sestával z Eda Cakir a Dr. Ali Salehzadeh-Yazdi.

Inovativní metody pro detekci podvodů

Pro řešení problému byly testovány různé běžné modely, včetně neuronálních sítí LSTM. Nakonec však tým vyvinul model založený na pravidlech, který je charakterizován skóre F1 0,9992, který je při detekci podvodů považován za centrální indikátor přesnosti. Týmy zaměřené na vytvoření transparentních analýz, které jsou schopny konkurovat často netransparentním metodám černé skříňky AI nebo je dokonce překročit.

Vyvinutý model vyžaduje hluboké pochopení datových mechanismů a pravděpodobnostního modelování. Je založen na jasně definovaných pravidlech a pravděpodobnostních úvahách a analyzuje toky peněz a síťové struktury. Tato metodika umožňuje identifikaci nefraulentních účtů a vytvoření profilů chování pro legitimní pohyby účtu. Používaná strategie dvou stupňů zahrnuje srovnání s profilem chování a přehled pravděpodobnosti podvodů.

Analýza dat a prevence podvodů

V dnešní době se stále důležitější pojmy jako velká data, prediktivní analytika a strojové učení. Revolucionizují obchodní modely a lze je také použít pro prevenci podvodů. Podle risknet jsou použití statistických metod pro analýzu a vizualizaci velkých údajů v centru tohoto vývoje. Cílem analýzy dat není pouze vytvoření profilů osobnosti, ale také implementace předpovědí v reálném čase.

Zákon Das Benford, objevený Simonem Newcombem v roce 1881, je příkladem použití statistických analýz pro detekci podvodu. Složitější metody, včetně strojového učení, však významně zvyšují prognózový pytel rizikových modelů. Cyklus PDCA, který umožňuje strukturované analýzy dat, a proces KDD (Zjištění znalostí) jsou ústředními prvky pro efektivní řízení manželky.

S úspěchem týmu z Constructor University je opět zdůrazněn význam interdisciplinárního výzkumu a vědecké dokonalosti v oblasti analýzy dat a bojových podvodů. S ohledem na progresivní digitalizaci musí společnosti vyvinout nové porozumění analýzám dat, aby dnes optimálně využívaly příležitosti. Budoucí manažeři rizik budou stále více působit jako správci dat nebo vědci a vyvinou robustní modely analýzy dat.