Constructor University võidab Big Data Challenge uue pettusmudeliga!

Constructor University võidab Big Data Challenge uue pettusmudeliga!

Bremen, Deutschland - Meeskond konstruktori ülikool võitis professionaalses pala. Auhind anti välja uuendusliku, läbipaistva ja regulaarse statistilise mudeli eest finantspettuste tunnustamise eest. Seda mudelit ei iseloomusta mitte ainult selle täpsus, vaid ületab ka tavapäraseid masinõppe täpsuses.

Konkurents, mille igal aastal korraldab Bremeni ülikooli kognitiivsete süsteemide labor (CSL), keskendus sel aastal pettuste tunnustamisele. Osalevad meeskonnad, sealhulgas piirkonna juhtivad AI -ettevõtted, seisid silmitsi väljakutsega välja töötada tõhusad lähenemisviisid petturlike tegevuste tuvastamiseks. Meeskond, kes võistles nime SpiderBobsi nime all ja dr Johannes Falki juhtimisel, mis on järeldoktor arvutussüsteemide bioloogiagrupis, koosnes Eda Cakir'ist ja dr Ali Salehzadeh-Yazdist.

Uuenduslikud meetodid pettuse tuvastamiseks

Probleemi lahendamiseks testiti mitmesuguseid tavalisi mudeleid, sealhulgas LSTM neuronaalseid võrke. Lõpuks töötas meeskond välja reeglipõhise mudeli, mida iseloomustab F1 skoor 0,9992, mida peetakse pettuste tuvastamisel keskseks täpsuse näitajaks. Meeskonnad püüdsid luua läbipaistvaid analüüse, mis on võimelised konkureerima AI sageli mitte-läbipaistvate mustade kasti meetoditega või isegi neid ületama.

Välja töötatud mudel nõuab andmete mehhanismide ja tõenäosusliku modelleerimise sügavat mõistmist. See põhineb selgelt määratletud reeglitel ja tõenäosuslikel kaalutlustel ning analüüsib rahavooge ja võrgustruktuure. See metoodika võimaldab tuvastada mitte -praamivaid kontosid ja käitumisprofiilide loomist õigustatud konto liikumiseks. Rakendatud kahe etapi strateegia sisaldab võrdlust käitumisprofiiliga ja pettuste tõenäosuse ülevaatamist.

Andmete analüüs ja pettuste ennetamine

Tänapäeval muutuvad üha olulisemaks sellised mõisted nagu suurandmed, ennustav analüüs ja masinõpe. Nad revolutsiooniliselt muudavad ärimudelid ja neid saab kasutada ka pettuste ennetamiseks. Vastavalt ">"> ">" kasutavad statistiliste meetodite kasutamist selle arenduse keskpunktis asuvate suurte andmete analüüsimiseks ja visualiseerimiseks. Andmete analüüsi eesmärk pole mitte ainult isiksuseprofiilide loomine, vaid ka reaalajas ennustuste rakendamine.

Das Benfordi seadus, mille avastas Simon Newcomb 1881. aastal, on näide pettuse tuvastamiseks statistiliste analüüside kasutamisest. Kuid keerukamad meetodid, sealhulgas masinõpe, suurendavad märkimisväärselt riskimudelite prognoosi kotti. PDCA tsükkel, mis võimaldab struktureeritud andmete analüüse, ja KDD protsess (teadmiste andmete avastamine) on kesksed naise juhtimise kesksed elemendid.

Konstruktoriülikooli meeskonna eduga on jälle alla joonitud interdistsiplinaarse uurimistöö ja teadusliku tipptaseme olulisus andmete analüüsi ja võitluspettuste valdkonnas. Progressiivset digiteerimist silmas pidades peavad ettevõtted välja töötama uue arusaama andmeanalüüsidest, et tänapäeva võimalusi optimaalselt kasutada. Tulevased riskijuhid tegutsevad üha enam andmehaldurite või teadlastena ja töötavad välja kindlaid andmeanalüüsi mudeleid.