Constructor University vinner Big Data Challenge med en ny svindelmodell!

Constructor University vinner Big Data Challenge med en ny svindelmodell!

Bremen, Deutschland - Et team av konstruktør universitet vant i det profesjonelle banen. Prisen ble tildelt for en innovativ, gjennomsiktig og regelmessig statistisk modell for anerkjennelse av økonomisk svindel. Denne modellen er ikke bare preget av dens presisjon, men overskrider også konvensjonelle metoder for maskinlæring i nøyaktighet.

Konkurransen, som er organisert årlig av Cognitive Systems Lab (CSL) ved University of Bremen, fokuserte på svindelgjenkjenningen i år. Deltakende team, inkludert ledende AI -selskaper i regionen, sto overfor utfordringen med å utvikle effektive tilnærminger for å identifisere uredelige aktiviteter. Teamet som konkurrerte under navnet Spiderbobs og under ledelse av Dr. Johannes Falk, postdoktoral i Computational Systems Biology Group, opererte, besto av Eda Cakir og Dr. Ali Salehzadeh-Yazdi.

Innovative metoder for svindeldeteksjon

For å løse problemet ble forskjellige vanlige modeller, inkludert LSTM neuronale nettverk, testet. Til slutt utviklet imidlertid teamet en regelbasert modell som er preget av en F1-poengsum på 0,9992, som anses som en sentral nøyaktighetsindikator i svindeldeteksjon. Lagene hadde som mål å lage gjennomsiktige analyser som er i stand til å konkurrere med de ofte ikke-transparente Black Box-metodene til AI eller til og med overskride dem.

Den utviklede modellen krever en dyp forståelse av datamekanismer og sannsynlig modellering. Det er basert på klart definerte regler og sannsynlige hensyn og analyserer pengestrømmer og nettverksstrukturer. Denne metodikken muliggjør identifisering av ikke -svindelkontoer og oppretting av atferdsprofiler for legitime kontobevegelser. Den to -trinns strategien som brukes inkluderer sammenligning med atferdsprofilen og gjennomgangen av sannsynlighet for svindel.

Dataanalyse og forebygging av svindel

Disse dagene blir begreper som Big Data, Predictive Analytics og maskinlæring stadig viktigere. De revolusjonerer forretningsmodeller og kan også brukes til forebygging av svindel. I følge Risknet er bruken av statistiske metoder for analysen og visualiseringen av store dataregistreringer på senteret av denne utviklingen. Målet med dataanalysen er ikke bare opprettelsen av personlighetsprofiler, men også implementeringen av sanntids forutsigelser.

Das Benfords lov, oppdaget av Simon Newcomb i 1881, er et eksempel på bruken av statistiske analyser for påvisning av svindel. Mer komplekse metoder, inkludert maskinlæring, øker imidlertid prognoseposen med risikomodeller betydelig. PDCA -syklusen, som muliggjør strukturerte dataanalyser, og KDD -prosessen (kunnskapsdataoppdagelse) er sentrale elementer for effektiv konestyring.

Med suksessen til teamet fra Constructor University, nok en gang, er viktigheten av tverrfaglig forskning og vitenskapelig dyktighet innen dataanalyse og bekjempelse av svindel understreket. Med tanke på den progressive digitaliseringen, må selskaper utvikle en ny forståelse av dataanalyser for å kunne bruke dagens muligheter optimalt. Fremtidige risikostyrere vil i økende grad fungere som dataledere eller forskere og utvikle robuste dataanalysemodeller.