A konstruktor Egyetem új csalás modelljével nyeri a Big Data Challenge -t!

A konstruktor Egyetem új csalás modelljével nyeri a Big Data Challenge -t!

Bremen, Deutschland - Constinctor University A professzionális pályán nyert. A díjat egy innovatív, átlátható és rendszeres statisztikai modellért ítélték oda a pénzügyi csalások elismerésére. Ezt a modellt nemcsak a pontossága jellemzi, hanem a pontosságban meghaladja a gépi tanulás hagyományos módszereit is.

A verseny, amelyet a Brémeni Egyetem Kognitív Systems Lab (CSL) évente szervez, az idén a csalások elismerésére összpontosított. A részt vevő csapatok, ideértve a régió vezető AI -vállalatait is, kihívással szembesültek a hatékony megközelítések kidolgozásával a csalárd tevékenységek azonosítására. Az a csapat, amely SpiderBobs néven versenyezött, és Dr. Johannes Falk, a Posztdoktori irányítás irányítása alatt, a Computational Systems Biology Group-ban működött, Eda Cakir és Dr. Ali Salehadeh-Yazdi.

innovatív módszerek a csalások észlelésére

A fejlett modell az adatmechanizmusok és a valószínűségi modellezés mély megértését igényli. Ez egyértelműen meghatározott szabályokon és valószínűségi megfontolásokon alapul, és elemzi a pénzáramlásokat és a hálózati struktúrákat. Ez a módszertan lehetővé teszi a nem -kedvezményes beszámolók azonosítását és a viselkedési profilok létrehozását a legitim számlamozgásokhoz. Az alkalmazott két fokozatú stratégia magában foglalja a magatartási profil összehasonlítását és a csalás valószínűségének felülvizsgálatát.

Adatelemzés és csalások megelőzése

manapság olyan kifejezések, mint a nagy adatok, a prediktív elemzés és a gépi tanulás, egyre fontosabbá válnak. Forradalmasítják az üzleti modelleket, és felhasználhatók a csalások megelőzésére is. A RiskNet statisztikai módszerek felhasználása a nagy adatrekordok elemzésére és megjelenítésére és megjelenítésére és megjelenítésére és megjelenítésére és megjelenítésére történő felhasználására történő felhasználására. Az adatelemzés célja nemcsak a személyiségprofilok létrehozása, hanem a valós idejű előrejelzések végrehajtása is.

das Benford törvénye, amelyet Simon Newcomb fedezett fel 1881 -ben, példa a statisztikai elemzések felhasználására a csalás kimutatására. A bonyolultabb módszerek, beleértve a gépi tanulást, jelentősen növelik a kockázati modellek prognózis táskáját. A PDCA ciklus, amely lehetővé teszi a strukturált adatok elemzését, és a KDD folyamat (tudásadatok felfedezése) központi elemek a hatékony feleségkezeléshez.

A Constructor University csapatának sikerével ismét az interdiszciplináris kutatás és a tudományos kiválóság fontosságát az adatelemzés és a csalások harcában hangsúlyozzák. Tekintettel a progresszív digitalizálásra, a vállalatoknak új megértést kell kidolgozniuk az adatelemzésekről, hogy a mai lehetőségeket optimálisan felhasználhassák. A jövőbeli kockázatkezelők egyre inkább adatkezelőként vagy tudósként működnek, és robusztus adatelemzési modelleket dolgoznak ki.