Constructor University voittaa Big Data Challengen uudella petosmallilla!

Constructor University voittaa Big Data Challengen uudella petosmallilla!

Bremen, Deutschland - Ryhmä Constructor University voitti ammattimaisella radalla. Palkinto myönnettiin innovatiivisesta, läpinäkyvästä ja säännöllisestä tilastollisesta mallista taloudellisen petoksen tunnustamiseksi. Tälle mallille on ominaista vain sen tarkkuus, vaan myös ylittää tavanomaiset koneoppimismenetelmät tarkkuudella.

Kilpailu, jonka Bremenin yliopiston kognitiiviset järjestelmälaboratorio (CSL) järjestävät vuosittain petosten tunnustamiseen tänä vuonna. Osallistuvilla ryhmillä, mukaan lukien alueen johtavat AI -yritykset, oli haaste kehittää tehokkaita lähestymistapoja vilpillisen toiminnan tunnistamiseksi. Ryhmä, joka kilpaili nimellä Spiderbobs ja Dr. Johannes Falkin johdolla, jatkotutkinnon suorittanut Computional Systems Biology -ryhmässä, koostui Eda Cakirista ja tohtori Ali Salehzadeh-Yazdista.

innovatiiviset menetelmät petosten havaitsemiseksi

ongelman ratkaisemiseksi testattiin erilaisia ​​yleisiä malleja, mukaan lukien LSTM -hermosoluverkot. Lopulta joukkue kuitenkin kehitti sääntöpohjaisen mallin, jolle on ominaista F1-pistemäärä 0,9992, jota pidetään petosten havaitsemisen keskeisenä tarkkuuden indikaattorina. Ryhmät pyrkivät luomaan läpinäkyviä analyysejä, jotka kykenevät kilpailemaan AI: n usein läpinäkyvien mustan laatikkomenetelmien kanssa tai jopa ylittämään ne.

Kehitetty malli vaatii syvää ymmärrystä datamekanismeista ja todennäköisyysmallinnuksesta. Se perustuu selkeään määriteltyihin sääntöihin ja todennäköisyysnäkökohtiin ja analysoi rahavirtoja ja verkkorakenteita. Tämä menetelmä mahdollistaa ei -fraudulenttien tilien tunnistamisen ja käyttäytymisprofiilien luomisen laillisille tilin liikkeille. Käytetty kaksivaiheinen strategia sisältää vertailun käyttäytymisprofiiliin ja petosten todennäköisyyden tarkistamiseen.

data -analyysi ja petosten ehkäisy

Tätä päivinä termejä, kuten iso data, ennustava analytiikka ja koneoppiminen, ovat yhä tärkeämpiä. Ne mullistavat liiketoimintamalleja ja niitä voidaan käyttää myös petosten ehkäisyyn. riskiverkko ovat tilastollisten menetelmien käyttö suurten tietojen analysointiin ja tämän kehityksen keskuksessa. Tietoanalyysin tavoitteena ei ole vain persoonallisuusprofiilien luominen, vaan myös reaaliaikaisten ennusteiden toteuttaminen.

Das Benfordin laki, jonka Simon Newcomb löysi vuonna 1881, on esimerkki tilastollisten analyysien käytöstä petosten havaitsemiseksi. Monimutkaisemmat menetelmät, mukaan lukien koneoppiminen, lisäävät kuitenkin merkittävästi riskimallien ennustekaukkua. PDCA -sykli, joka mahdollistaa jäsenneltyjen tietoanalyysien ja KDD -prosessin (tiedon löytäminen) ovat keskeisiä elementtejä tehokkaan vaimonhallinnassa.

Ryhmän menestyksellä Constructor Universitystä on jälleen kerran monitieteisen tutkimuksen ja tieteellisen huippuosaamisen merkitys tietojen analysoinnin ja petosten torjuntaan. Progressiivisen digitalisoinnin vuoksi yritysten on kehitettävä uusi ymmärrys tietoanalyyseistä, jotta voidaan käyttää optimaalisesti nykypäivän mahdollisuuksia. Tulevat riskinhallinnat toimivat yhä enemmän tiedonhoitajina tai tutkijoina ja kehittävät vankkoja data -analyysimalleja.