Konstruktoriaus universitetas laimi Big Data Challenge naudodamas naują sukčiavimo modelį!

Konstruktoriaus universitetas laimi Big Data Challenge naudodamas naują sukčiavimo modelį!

Bremen, Deutschland - konstruktoriaus universitetas Laimėjo profesionalų takelyje. Apdovanojimas buvo apdovanotas už novatorišką, skaidrų ir įprastą statistinį modelį už finansinio sukčiavimo pripažinimą. Šis modelis ne tik apibūdinamas jo tikslumu, bet ir viršija įprastus mašininio mokymosi metodus tikslumu.

Konkurencija, kurią kasmet organizuoja Brėmenų universiteto kognityvinių sistemų laboratorija (CSL), šiemet daugiausia dėmesio skyrė sukčiavimo pripažinimui. Dalyvaujančios komandos, įskaitant pagrindines AI įmones regione, susidūrė su iššūkiu sukurti veiksmingus metodus, kaip nustatyti apgaulingą veiklą. Komanda, kuri varžėsi pavadinimu „Spiderbobs“ ir vadovaujama daktaro Johanneso Falko, podoktorantūros skaičiavimo sistemų biologijos grupėje, valdoma, sudarė Eda Cakir ir dr. Ali Salehzadeh-Yazdi.

novatoriški sukčiavimo aptikimo metodai

Norint išspręsti problemą, buvo išbandyti įvairūs įprasti modeliai, įskaitant LSTM neuronų tinklus. Galų gale komanda sukūrė taisyklėmis pagrįstą modelį, kuriam būdingas 0,9992 F1 balas, kuris laikomas pagrindiniu tikslumo rodikliu nustatant sukčiavimą. Komandos siekė sukurti skaidrias analizes, kurios gali konkuruoti su dažnai neperdirbtais AI juodosios dėžės metodais ar net viršija jų.

Sukurtas modelis reikalauja giliai suprasti duomenų mechanizmus ir tikimybinį modeliavimą. Jis grindžiamas aiškiai apibrėžtomis taisyklėmis ir tikimybiniais svarstymais bei analizuoja pinigų srautus ir tinklo struktūras. Ši metodika įgalina identifikuoti nesmulkintų sąskaitų ir sukurti elgesio profilius teisėtoms sąskaitos judėjimams. Dviejų pakopų strategija apima palyginimą su elgesio profiliu ir sukčiavimo tikimybės peržiūra.

duomenų analizė ir sukčiavimo prevencija

Šiomis dienomis tampa vis svarbesnės terminai, tokie kaip „Big Data“, „Prognozuojama analizė“ ir „Mašinų mokymasis“. Jie revoliucionuoja verslo modelius ir taip pat gali būti naudojami sukčiavimo prevencijai. Remiantis rizikosNet yra statistiniai metodai, skirti analizuoti ir vizualizuoti didelius duomenų įrašus šio vystymosi centre. Duomenų analizės tikslas yra ne tik asmenybės profilių kūrimas, bet ir realaus laiko prognozių įgyvendinimas.

Das Benfordo įstatymas, kurį 1881 m. Aptiktas Simonas Newcombas, yra statistinių analizių naudojimo sukčiavimo nustatymui pavyzdys. Tačiau sudėtingesni metodai, įskaitant mašininį mokymąsi, žymiai padidina rizikos modelių prognozės maišą. PDCA ciklas, kuris įgalina struktūrizuotą duomenų analizę, o KDD procesas (žinių duomenų atradimas) yra pagrindiniai veiksmingos žmonos valdymo elementai.

Sėkmingai sėkmingai iš Konstruktoriaus universiteto, dar kartą pabrėžiama tarpdisciplininių tyrimų ir mokslinės kompetencijos svarbą duomenų analizės ir kovos su sukčiavimu svarba. Atsižvelgdamos į progresyvų skaitmeninimą, įmonės turi sukurti naują duomenų analizės supratimą, kad optimaliai panaudoti šiandienos galimybes. Ateities rizikos valdytojai vis labiau veiks kaip duomenų valdytojai ar mokslininkai ir sukurs patikimus duomenų analizės modelius.