¡Constructor University gana Big Data Challenge con un nuevo modelo de fraude!

¡Constructor University gana Big Data Challenge con un nuevo modelo de fraude!

Bremen, Deutschland - Un equipo de University de constructores ganó en la pista profesional. El premio fue otorgado por un modelo estadístico innovador, transparente y regular para el reconocimiento del fraude financiero. Este modelo no solo se caracteriza por su precisión, sino que también excede los métodos convencionales de aprendizaje automático en precisión.

La competencia, organizada anualmente por el Laboratorio de Sistemas Cognitivos (CSL) de la Universidad de Bremen, se centró en el reconocimiento de fraude este año. Los equipos participantes, incluidas las principales empresas de inteligencia artificial en la región, enfrentaron el desafío de desarrollar enfoques efectivos para identificar actividades fraudulentas. El equipo que compitió bajo el nombre de SpiderBobs y bajo la dirección del Dr. Johannes Falk, postdoctoral en el Grupo de Biología de Sistemas Computacionales, estaba compuesto por Eda Cakir y el Dr. Ali Salehzadeh-Yazdi.

Métodos innovadores para la detección de fraude

Para resolver el problema, se probaron varios modelos comunes, incluidas las redes neuronales LSTM. Al final, sin embargo, el equipo desarrolló un modelo basado en reglas que se caracteriza por una puntuación F1 de 0.9992, que se considera un indicador de precisión central en la detección de fraude. Los equipos destinados a crear análisis transparentes que pueden competir con los métodos de caja negra a menudo no transparentes de la IA o incluso superarlos.

El modelo desarrollado requiere una comprensión profunda de los mecanismos de datos y el modelado probabilístico. Se basa en reglas claramente definidas y consideraciones probabilísticas y analiza los flujos de dinero y las estructuras de red. Esta metodología permite la identificación de cuentas no fraudulentas y la creación de perfiles de comportamiento para los movimientos legítimos de la cuenta. La estrategia de dos etapas aplicada incluye la comparación con el perfil de comportamiento y la revisión de la probabilidad de fraude.

Análisis de datos y prevención de fraude

En estos días, los términos como Big Data, Analytics Predictive y el aprendizaje automático se están volviendo cada vez más importantes. Revolucionan los modelos de negocio y también pueden usarse para la prevención de fraude. De acuerdo con Risknet son el uso de métodos estadísticos para el análisis y visualización de grandes registros de datos en el centro de este desarrollo. El objetivo del análisis de datos no es solo la creación de perfiles de personalidad, sino también la implementación de predicciones en tiempo real.

La ley de Das Benford, descubierta por Simon Newcomb en 1881, es un ejemplo del uso de análisis estadísticos para la detección de fraude. Sin embargo, los métodos más complejos, incluido el aprendizaje automático, aumentan significativamente la bolsa de pronóstico de los modelos de riesgo. El ciclo PDCA, que permite análisis de datos estructurados, y el proceso KDD (descubrimiento de datos de conocimiento) son elementos centrales para la gestión efectiva de las esposa.

Con el éxito del equipo de la Universidad de Constructor, una vez más, se subraya la importancia de la investigación interdisciplinaria y la excelencia científica en el campo del análisis de datos y el fraude de combate. En vista de la digitalización progresiva, las empresas tienen que desarrollar una nueva comprensión de los análisis de datos para usar de manera óptima las oportunidades de hoy. Los gerentes de riesgos futuros actuarán cada vez más como gerentes de datos o científicos y desarrollarán modelos de análisis de datos sólidos.