Constructor University vince Big Data Challenge con un nuovo modello di frode!

Constructor University vince Big Data Challenge con un nuovo modello di frode!

Bremen, Deutschland - Un team di Università di costruttore Won in pista professionale. Il premio è stato assegnato per un modello statistico innovativo, trasparente e regolare per il riconoscimento della frode finanziaria. Questo modello non è caratterizzato solo dalla sua precisione, ma supera anche i metodi convenzionali di apprendimento automatico in precisione.

La concorrenza, organizzata ogni anno dal Cognitive Systems Lab (CSL) dell'Università di Brema, si è concentrata sul riconoscimento delle frodi quest'anno. I team partecipanti, tra cui le principali aziende di intelligenza artificiale nella regione, hanno affrontato la sfida di sviluppare approcci efficaci per identificare attività fraudolente. Il team che ha gareggiato sotto il nome di Spiderbobs e sotto la direzione del Dr. Johannes Falk, post-dottorato nel gruppo di biologia dei sistemi computazionali, gestito, consisteva in EDA Cakir e Dr. Ali Salehzadeh-Yazdi.

Metodi innovativi per il rilevamento di frodi

Per risolvere il problema, sono stati testati vari modelli comuni, tra cui le reti neuronali LSTM. Alla fine, tuttavia, il team ha sviluppato un modello basato sulle regole caratterizzato da un punteggio F1 di 0,9992, che è considerato un indicatore di accuratezza centrale nel rilevamento delle frodi. I team miravano a creare analisi trasparenti che sono in grado di competere con i metodi della scatola nera spesso non trasparenti dell'IA o addirittura superarli.

Il modello sviluppato richiede una profonda comprensione dei meccanismi di dati e della modellazione probabilistica. Si basa su regole chiaramente definite e considerazioni probabilistiche e analizza i flussi di denaro e le strutture di rete. Questa metodologia consente l'identificazione di conti non fraudolenti e la creazione di profili comportamentali per movimenti di conti legittimi. La strategia a due stadi applicata include il confronto con il profilo comportamentale e la revisione della probabilità di frode.

Analisi dei dati e prevenzione delle frodi

Questo giorno, termini come i big data, l'analisi predittiva e l'apprendimento automatico stanno diventando sempre più importanti. Rivoluzionano i modelli di business e possono anche essere utilizzati per la prevenzione delle frodi. Secondo risknet sono l'uso di metodi statistici per l'analisi e la visualizzazione di grandi record di dati al centro di questo sviluppo. Lo scopo dell'analisi dei dati non è solo la creazione di profili di personalità, ma anche l'implementazione di previsioni in tempo reale.

La legge di Das Benford, scoperta da Simon Newcomb nel 1881, è un esempio dell'uso di analisi statistiche per il rilevamento di frodi. Tuttavia, metodi più complessi, tra cui l'apprendimento automatico, aumentano significativamente la borsa prognosi dei modelli di rischio. Il ciclo PDCA, che consente analisi di dati strutturati e il processo KDD (Knowled Data Discovery) sono elementi centrali per una gestione efficace della moglie.

Con il successo del team della costruttore University, ancora una volta, l'importanza della ricerca interdisciplinare e dell'eccellenza scientifica nel campo dell'analisi dei dati e della frode di combattimento è sottolineata. Alla luce della digitalizzazione progressiva, le aziende devono sviluppare una nuova comprensione delle analisi dei dati al fine di utilizzare in modo ottimale le opportunità di oggi. I gestori di rischi futuri agiranno sempre più come gestori di dati o scienziati e svilupperanno solidi modelli di analisi dei dati.