Constructor University uzvar Big Data Challenge ar jaunu krāpšanas modeli!

Constructor University uzvar Big Data Challenge ar jaunu krāpšanas modeli!

Bremen, Deutschland - Constructor University uzvarēja profesionālā trasē. Balva tika piešķirta par novatorisku, caurspīdīgu un regulāru statistisko modeli finanšu krāpšanas atzīšanai. Šo modeli raksturo ne tikai tā precizitāte, bet arī pārsniedz parastās mašīnmācīšanās metodes precizitātē.

Konkurence, kuru katru gadu organizē Brēmenes universitātes kognitīvo sistēmu laboratorija (CSL), koncentrējās uz krāpšanas atzīšanu šogad. Dalības komandas, ieskaitot vadošos AI uzņēmumus reģionā, saskārās ar izaicinājumu attīstīt efektīvas pieejas krāpniecisku darbību identificēšanai. Komanda, kas sacentās ar nosaukumu Spiderbobs un Dr. Johannes Falk vadībā, pēcdoktorantūra skaitļošanas sistēmu bioloģijas grupā, kas darbojās, sastāvēja no Eda Cakir un Dr. Ali Salehzadeh-Yazdi.

Inovatīvas krāpšanas noteikšanas metodes

Problēmas risināšanai tika pārbaudīti dažādi kopīgi modeļi, ieskaitot LSTM neironu tīklus. Tomēr galu galā komanda izstrādāja uz noteikumiem balstītu modeli, kam raksturīgs F1 rādītājs 0,9992, kas tiek uzskatīts par centrālo precizitātes indikatoru krāpšanas atklāšanā. Komandu mērķis bija izveidot caurspīdīgas analīzes, kas spēj konkurēt ar bieži nepārredzamajām AI melnās kastes metodēm vai pat tās pārsniegt.

Izstrādātajam modelim ir nepieciešama dziļa izpratne par datu mehānismiem un varbūtības modelēšanu. Tā pamatā ir skaidri definēti noteikumi un varbūtības apsvērumi, kā arī analizē naudas plūsmas un tīkla struktūras. Šī metodika ļauj identificēt nefraudulentus kontus un izveidot uzvedības profilus likumīgām kontu kustībām. Divu piemērotajā stratēģijā ietilpst salīdzinājums ar uzvedības profilu un krāpšanas varbūtības pārskatu.

Datu analīze un krāpšanas profilakse

Šajās dienās arvien svarīgāk kļūst tādi termini kā lieli dati, paredzamā analītika un mašīnmācība. Viņi revolucionizē biznesa modeļus, un tos var izmantot arī krāpšanas novēršanai. Saskaņā ar risknet ir statistisko metožu izmantošana analīzei un lielo datu vizualizācijai šajā attīstībā. Datu analīzes mērķis ir ne tikai personības profilu izveidošana, bet arī reālā laika prognožu īstenošana.

Das Benforda likums, ko 1881. gadā atklāja Simons Ņūkombs, ir statistiskās analīzes izmantošanas piemērs krāpšanas noteikšanai. Tomēr sarežģītākas metodes, ieskaitot mašīnmācību, ievērojami palielina riska modeļu prognozes maisiņu. PDCA cikls, kas nodrošina strukturētas datu analīzi, un KDD process (zināšanu datu atklāšana) ir efektīvas sievas pārvaldības galvenie elementi.

Ar komandu panākumiem no Constructor University, tiek uzsvērta starpdisciplināru pētījumu un zinātniskās izcilības nozīme datu analīzes jomā un krāpšanas cīņā. Ņemot vērā progresīvo digitalizāciju, uzņēmumiem ir jāizstrādā jauna izpratne par datu analīzi, lai optimāli izmantotu šodienas iespējas. Turpmākie riska vadītāji arvien vairāk darbosies kā datu pārvaldītāji vai zinātnieki un izstrādās stabilus datu analīzes modeļus.