Constructor University wint Big Data Challenge met een nieuw fraudemodel!

Constructor University wint Big Data Challenge met een nieuw fraudemodel!

Bremen, Deutschland - Een team van Constructor University Won in het professionele spoor. De prijs werd toegekend voor een innovatief, transparant en regelmatig statistisch model voor de erkenning van financiële fraude. Dit model wordt niet alleen gekenmerkt door zijn precisie, maar overtreft ook conventionele methoden van machine learning in nauwkeurigheid.

De concurrentie, die jaarlijks wordt georganiseerd door het Cognitive Systems Lab (CSL) van de Universiteit van Bremen, was gericht op de fraudeherkenning dit jaar. Deelnemende teams, waaronder toonaangevende AI -bedrijven in de regio, stonden voor de uitdaging om effectieve benaderingen te ontwikkelen om frauduleuze activiteiten te identificeren. Het team dat deelnam onder de naam Spiderbobs en onder leiding van Dr. Johannes Falk, postdoctoral in de Computational Systems Biology Group, bestond uit EDA Cakir en Dr. Ali Salehzadeh-Yazdi.

innovatieve methoden voor fraudedetectie

Voor het oplossen van het probleem werden verschillende gemeenschappelijke modellen, waaronder LSTM -neuronale netwerken, getest. Uiteindelijk ontwikkelde het team echter een op regels gebaseerd model dat wordt gekenmerkt door een F1-score van 0,9992, die wordt beschouwd als een centrale nauwkeurigheidsindicator bij fraude-detectie. De teams waren gericht op het creëren van transparante analyses die kunnen concurreren met de vaak niet-transparante zwarte doosmethoden van de AI of zelfs te overtreffen.

Het ontwikkelde model vereist een diep begrip van gegevensmechanismen en probabilistische modellering. Het is gebaseerd op duidelijk gedefinieerde regels en probabilistische overwegingen en analyseert geldstromen en netwerkstructuren. Deze methodologie maakt de identificatie mogelijk van niet -frauduleuze accounts en het creëren van gedragsprofielen voor legitieme accountbewegingen. De toegepaste strategie met twee stage omvat de vergelijking met het gedragsprofiel en de beoordeling van de kans op fraude.

Gegevensanalyse en fraudepreventie

Tegenwoordig worden termen zoals big data, voorspellende analyses en machine learning steeds belangrijker. Ze revolutioneren bedrijfsmodellen en kunnen ook worden gebruikt voor fraudepreventie. Volgens Risknet zijn het gebruik van statistische methoden voor de analyse en visualisatie van grote gegevensrecords in het midden van deze ontwikkeling. Het doel van de gegevensanalyse is niet alleen het creëren van persoonlijkheidsprofielen, maar ook de implementatie van realtime voorspellingen.

De wet van Das Benford, ontdekt door Simon Newcomb in 1881, is een voorbeeld van het gebruik van statistische analyses voor de detectie van fraude. Meer complexe methoden, waaronder machine learning, verhogen echter de prognosesas met risicomodellen aanzienlijk. De PDCA -cyclus, die gestructureerde gegevensanalyses mogelijk maakt, en het KDD -proces (ontdekking van kennisgegevens) zijn centrale elementen voor effectief vrouwbeheer.

Met het succes van het team van Constructor University wordt opnieuw het belang van interdisciplinair onderzoek en wetenschappelijke uitmuntendheid op het gebied van data -analyse en vechtfraude onderstreept. Gezien de progressieve digitalisering moeten bedrijven een nieuw begrip van gegevensanalyses ontwikkelen om de kansen van vandaag optimaal te gebruiken. Toekomstige risicomanagers zullen in toenemende mate fungeren als datamanagers of wetenschappers en robuuste data -analysemodellen ontwikkelen.