A Universidade Construtora ganha o Big Data Challenge com um novo modelo de fraude!

A Universidade Construtora ganha o Big Data Challenge com um novo modelo de fraude!

Bremen, Deutschland - Uma equipe de universidade de construtor na faixa profissional. O prêmio foi concedido por um modelo estatístico inovador, transparente e regular para o reconhecimento de fraude financeira. Este modelo não é apenas caracterizado por sua precisão, mas também excede os métodos convencionais de aprendizado de máquina em precisão.

A competição, que é organizada anualmente pelo Laboratório de Sistemas Cognitivos (CSL) da Universidade de Bremen, concentrou -se no reconhecimento de fraude este ano. As equipes participantes, incluindo as principais empresas de IA da região, enfrentaram o desafio de desenvolver abordagens eficazes para identificar atividades fraudulentas. A equipe que competiu com o nome Spider Bobs e sob a direção do Dr. Johannes Falk, pós-doutorado no Grupo de Biologia de Sistemas Computacionais, operado, consistia em Eda Cakir e Dr. Ali Salehzadeh-Yazdi.

Métodos inovadores para detecção de fraude

Para resolver o problema, vários modelos comuns, incluindo redes neuronais LSTM, foram testados. No final, no entanto, a equipe desenvolveu um modelo baseado em regras que é caracterizado por uma pontuação F1 de 0,9992, que é considerada um indicador de precisão central na detecção de fraude. As equipes destinadas a criar análises transparentes capazes de competir com os métodos de caixa preta geralmente não transparentes da IA ​​ou mesmo excedê-los.

O modelo desenvolvido requer uma compreensão profunda dos mecanismos de dados e da modelagem probabilística. É baseado em regras claramente definidas e considerações probabilísticas e analisa fluxos de dinheiro e estruturas de rede. Essa metodologia permite a identificação de contas não -agitadas e a criação de perfis comportamentais para movimentos legítimos da conta. A estratégia de dois estágios aplicada inclui a comparação com o perfil comportamental e a revisão da probabilidade de fraude.

Análise de dados e prevenção de fraudes

Atualmente, termos como big data, análise preditiva e aprendizado de máquina estão se tornando cada vez mais importantes. Eles revolucionam os modelos de negócios e também podem ser usados ​​para prevenção de fraudes. De acordo com risknet são o uso de métodos estatísticos para análise e visualização de registros de dados de dados no centro do centro deste centro. O objetivo da análise de dados não é apenas a criação de perfis de personalidade, mas também a implementação de previsões em tempo real.

Com o sucesso da equipe da Universidade Construtor, mais uma vez, a importância da pesquisa interdisciplinar e da excelência científica no campo da análise de dados e da fraude de combate é sublinhada. Em vista da digitalização progressiva, as empresas precisam desenvolver um novo entendimento das análises de dados para usar o ideal das oportunidades de hoje. Os futuros gerentes de risco atuarão cada vez mais como gerentes de dados ou cientistas e desenvolverão modelos robustos de análise de dados.