Το Constructor University κερδίζει μεγάλη πρόκληση δεδομένων με ένα νέο μοντέλο απάτης!

Ο διαγωνισμός, ο οποίος διοργανώνεται ετησίως από το εργαστήριο γνωστικών συστημάτων (CSL) του Πανεπιστημίου της Βρέμης, επικεντρώθηκε στην αναγνώριση της απάτης φέτος. Οι συμμετέχουσες ομάδες, συμπεριλαμβανομένων των κορυφαίων εταιρειών AI στην περιοχή, αντιμετώπισαν την πρόκληση της ανάπτυξης αποτελεσματικών προσεγγίσεων για τον εντοπισμό δόλων δραστηριοτήτων. Η ομάδα που ανταγωνίστηκε με το όνομα Spiderbobs και υπό την καθοδήγηση του Dr. Johannes Falk, μεταδιδακτορικού στην ομάδα υπολογιστικών συστημάτων, λειτουργούσε, αποτελείται από την Eda Cakir και τον Dr. Ali Salehzadeh-Yazdi.

Καινοτόμες μέθοδοι για ανίχνευση απάτης

Για την επίλυση του προβλήματος, δοκιμάστηκαν διάφορα κοινά μοντέλα, συμπεριλαμβανομένων των νευρωνικών δικτύων LSTM. Τελικά, ωστόσο, η ομάδα ανέπτυξε ένα μοντέλο που βασίζεται σε κανόνες που χαρακτηρίζεται από βαθμολογία F1 0,9992, το οποίο θεωρείται κεντρικός δείκτης ακρίβειας στην ανίχνευση απάτης. Οι ομάδες που στοχεύουν στη δημιουργία διαφανείς αναλύσεις που είναι σε θέση να ανταγωνιστούν τις συχνά μη διαφανείς μεθόδους μαύρου κουτιού του AI ή ακόμη και να τους υπερβαίνουν.

Το αναπτυγμένο μοντέλο απαιτεί βαθιά κατανόηση των μηχανισμών δεδομένων και της πιθανολογικής μοντελοποίησης. Βασίζεται σε σαφώς καθορισμένους κανόνες και πιθανολογικές εκτιμήσεις και αναλύσεις ροών χρημάτων και δομών δικτύου. Αυτή η μεθοδολογία επιτρέπει την ταυτοποίηση μη ευφυών λογαριασμών και τη δημιουργία προφίλ συμπεριφοράς για νόμιμες κινήσεις λογαριασμών. Η εφαρμοζόμενη στρατηγική στάσης περιλαμβάνει τη σύγκριση με το προφίλ συμπεριφοράς και την ανασκόπηση της πιθανότητας απάτης.

Ανάλυση δεδομένων και πρόληψη απάτης