Constructor University vinder Big Data Challenge med en ny svigmodel!

Constructor University vinder Big Data Challenge med en ny svigmodel!

Bremen, Deutschland - Et team af Constructor University vandt i det professionelle spor. Prisen blev tildelt for en innovativ, gennemsigtig og regelmæssig statistisk model for anerkendelse af økonomisk svig. Denne model er ikke kun kendetegnet ved dens præcision, men overstiger også konventionelle metoder til maskinlæring i nøjagtighed.

Konkurrencen, der årligt er organiseret af Cognitive Systems Lab (CSL) fra University of Bremen, fokuserede på sviggenkendelse i år. Deltagende hold, herunder førende AI -virksomheder i regionen, stod overfor udfordringen med at udvikle effektive tilgange til at identificere falske aktiviteter. Holdet, der konkurrerede under navnet Spiderbobs og under ledelse af Dr. Johannes Falk, postdoktor i Computational Systems Biology Group, drevet, bestod af Eda Cakir og Dr. Ali Salehzadeh-Yazdi.

innovative metoder til nydepladning

For at løse problemet blev forskellige almindelige modeller, inklusive LSTM -neuronale netværk, testet. I sidste ende udviklede teamet imidlertid en regelbaseret model, der er kendetegnet ved en F1-score på 0,9992, som betragtes som en central nøjagtighedsindikator i detektion af svig. Holdene, der sigter mod at skabe gennemsigtige analyser, der er i stand til at konkurrere med de ofte ikke-gennemsigtige sorte kassemetoder i AI eller endda overskride dem.

Den udviklede model kræver en dyb forståelse af datamekanismer og probabilistisk modellering. Det er baseret på klart definerede regler og sandsynlige overvejelser og analyserer pengestrømme og netværksstrukturer. Denne metode muliggør identifikation af ikke -fraudulente konti og oprettelse af adfærdsprofiler til legitime kontobevægelser. Den anvendte to -trin -strategi inkluderer sammenligningen med adfærdsprofilen og gennemgangen af ​​bedrageri -sandsynlighed.

Dataanalyse og forebyggelse af svig

Disse dage bliver udtryk som big data, forudsigelig analyse og maskinlæring stadig vigtigere. De revolutionerer forretningsmodeller og kan også bruges til forebyggelse af svig. I henhold til risikonet er brugen af ​​statistiske metoder til analyse og visualisering af store dataregistre i centrum for denne udvikling. Formålet med dataanalysen er ikke kun oprettelsen af ​​personlighedsprofiler, men også implementeringen af ​​realtidsforudsigelser.

Das Benfords lov, opdaget af Simon Newcomb i 1881, er et eksempel på brugen af ​​statistiske analyser til opdagelse af svig. Imidlertid øger mere komplekse metoder, inklusive maskinlæring, markant prognosetaske med risikomodeller. PDCA -cyklussen, der muliggør strukturerede dataanalyser, og KDD -processen (vidensdataopdagelse) er centrale elementer til effektiv hustrus ledelse.

Med teamets succes fra Constructor University er vigtigheden af ​​tværfaglig forskning og videnskabelig ekspertise inden for dataanalyse og kampsvindel understreget. I betragtning af den progressive digitalisering er virksomheder nødt til at udvikle en ny forståelse af dataanalyser for at optimalt bruge dagens muligheder. Fremtidige risikostyrere vil i stigende grad fungere som dataledere eller forskere og udvikle robuste dataanalysemodeller.