Uniwersytet Constructor wygrywa Big Data Challenge z nowym modelem oszustwa!

Uniwersytet Constructor wygrywa Big Data Challenge z nowym modelem oszustwa!

Bremen, Deutschland - Zespół Constructor University wygrał na profesjonalnym torze. Nagroda została przyznana za innowacyjny, przejrzysty i regularny model statystyczny do uznania oszustw finansowych. Model ten charakteryzuje się nie tylko jego precyzją, ale także dokładność przekracza konwencjonalne metody uczenia maszynowego.

Konkurs, który jest corocznie organizowany przez Cognitive Systems Lab (CSL) University of Bremen, skupił się na uznaniu oszustw w tym roku. Zespoły uczestniczące, w tym wiodące firmy AI w regionie, stanęły przed wyzwaniem opracowania skutecznych podejść do identyfikacji nieuczciwych działań. Zespół, który rywalizował pod nazwą SpiderBobs i pod kierunkiem dr Johannesa Falka, doktorantów w grupie biologii Computational Systems, składał się z Eda Cakir i Dr. Ali Salehzadeh-Jazdi.

Innowacyjne metody wykrywania oszustw

W celu rozwiązania problemu przetestowano różne wspólne modele, w tym sieci neuronalne LSTM. Ostatecznie jednak zespół opracował model oparty na regułach, który charakteryzuje się wynikiem F1 0,9992, który jest uważany za centralny wskaźnik dokładności w wykrywaniu oszustw. Zespoły mające na celu stworzenie przejrzystych analiz, które są w stanie konkurować z często nietrwałymi metodami Black Box, a nawet ich przekroczenie.

Opracowany model wymaga głębokiego zrozumienia mechanizmów danych i modelowania probabilistycznego. Opiera się na jasno określonych regułach i wzglętach probabilistycznych oraz analizuje przepływy pieniędzy i struktury sieciowe. Ta metodologia umożliwia identyfikację niefutacyjnych rachunków i tworzenie profili behawioralnych dla legalnych ruchów rachunku. Zastosowana strategia dwustopniowa obejmuje porównanie z profilem behawioralnym i przegląd prawdopodobieństwa oszustwa.

Analiza danych i zapobieganie oszustwom

W dzisiejszych czasach terminy takie jak duże zbiory danych, analizy predykcyjne i uczenie maszynowe stają się coraz ważniejsze. Rewolucjonizują modele biznesowe i mogą być również wykorzystywane do zapobiegania oszustwom. Według risknet Czy zastosowanie metod statystycznych do analizy i wizualizacji dużych danych danych w centrum tego rozwoju. Celem analizy danych jest nie tylko tworzenie profili osobowości, ale także wdrażanie prognoz w czasie rzeczywistym.

Das Benforda, odkryte przez Simona Newcomba w 1881 r., Jest przykładem zastosowania analiz statystycznych do wykrywania oszustwa. Jednak bardziej złożone metody, w tym uczenie maszynowe, znacznie zwiększają torbę z prognozą modeli ryzyka. Cykl PDCA, który umożliwia ustrukturyzowane analizy danych, oraz proces KDD (odkrywanie danych wiedzy) są centralnymi elementami skutecznego zarządzania żoną.