Constructor University remporte le Big Data Challenge avec un nouveau modèle de fraude!

Constructor University remporte le Big Data Challenge avec un nouveau modèle de fraude!

Bremen, Deutschland - Une équipe de Constructor University Won sur la piste professionnelle. Le prix a été décerné pour un modèle statistique innovant, transparent et régulier pour la reconnaissance de la fraude financière. Ce modèle est non seulement caractérisé par sa précision, mais dépasse également les méthodes conventionnelles d'apprentissage automatique en précision.

La concurrence, organisée chaque année par le Cognitive Systems Lab (CSL) de l'Université de Brême, s'est concentrée sur la reconnaissance de la fraude cette année. Les équipes participantes, y compris les principales entreprises d'IA dans la région, ont été confrontées au défi de développer des approches efficaces pour identifier les activités frauduleuses. L'équipe qui a concouru sous le nom de SpiderBobs et sous la direction du Dr Johannes Falk, postdoctoral dans le groupe de biologie des systèmes de calcul, a été composé d'Eda Cakir et du Dr Ali Salehzadeh-Yazdi.

Méthodes innovantes pour la détection de fraude

Pour résoudre le problème, divers modèles communs, y compris les réseaux neuronaux LSTM, ont été testés. En fin de compte, cependant, l'équipe a développé un modèle basé sur des règles caractérisé par un score F1 de 0,9992, qui est considéré comme un indicateur de précision central dans la détection de fraude. Les équipes visant à créer des analyses transparentes qui sont capables de rivaliser avec les méthodes de boîte noire souvent non transparentes de l'IA ou même de les dépasser.

Le modèle développé nécessite une compréhension approfondie des mécanismes de données et de la modélisation probabiliste. Il est basé sur des règles clairement définies et des considérations probabilistes et analyse les flux d'argent et les structures de réseau. Cette méthodologie permet l'identification de comptes non fraudulents et la création de profils comportementaux pour les mouvements de compte légitimes. La stratégie à deux étages appliquée comprend la comparaison avec le profil comportemental et l'examen de la probabilité de fraude.

Analyse des données et prévention de la fraude

Ce jour-là, des termes tels que les mégadonnées, l'analyse prédictive et l'apprentissage automatique deviennent de plus en plus importants. Ils révolutionnent les modèles commerciaux et peuvent également être utilisés pour la prévention de la fraude. Selon Risknet sont l'utilisation de méthodes statistiques pour l'analyse et la visualisation de grands enregistrements de données au centre de ce développement. L'objectif de l'analyse des données n'est pas seulement la création de profils de personnalité, mais aussi la mise en œuvre de prédictions en temps réel.

Avec le succès de l'équipe de l'Université Constructor, encore une fois, l'importance de la recherche interdisciplinaire et de l'excellence scientifique dans le domaine de l'analyse des données et de la fraude à la lutte contre les données est soulignée. Compte tenu de la numérisation progressive, les entreprises doivent développer une nouvelle compréhension des analyses de données afin d'utiliser de manière optimale les opportunités d'aujourd'hui. Les futurs gestionnaires des risques agiront de plus en plus en tant que gestionnaires de données ou scientifiques et développeront des modèles d'analyse de données robustes.