Univerza Constructor je z novim modelom goljufij zmagala na velikih podatkih!

Univerza Constructor je z novim modelom goljufij zmagala na velikih podatkih!

Bremen, Deutschland - Ekipa University Constructor Osmerjena na profesionalni progi. Nagrada je bila podeljena za inovativen, pregleden in redni statistični model za priznanje finančne goljufije. Ta model ni značilna le njegova natančnost, ampak tudi presega običajne metode strojnega učenja natančno.

Konkurenca, ki jo vsako leto organizira laboratorij kognitivnih sistemov (CSL) Univerze v Bremenu, se je letos osredotočila na priznanje goljufij. Sodelujoče ekipe, vključno z vodilnimi podjetji AI v regiji, so se soočale z izzivom razvoja učinkovitih pristopov za prepoznavanje goljufivih dejavnosti. Ekipa, ki se je tekmovala pod imenom SpiderBobs in pod vodstvom dr. Johannesa Falk, postdoktorala v skupini za računalniško biologijo, ki je delovala, sta bila sestavljena iz Eda Cakir in dr. Ali Salehzadeh-Jazdija.

inovativne metode za odkrivanje goljufij

Za reševanje problema so bili preizkušeni različni skupni modeli, vključno z nevronskimi omrežji LSTM. Na koncu pa je ekipa razvila model, ki temelji na pravilih, za katerega je značilna ocena F1 0,9992, kar velja za osrednji kazalnik natančnosti pri odkrivanju goljufij. Skupine, katerih namen je ustvariti pregledne analize, ki lahko konkurirajo pogosto nepreglednim metodam črne škatle AI ali jih celo presegajo.

Razvit model zahteva globoko razumevanje podatkovnih mehanizmov in verjetnostnega modeliranja. Temelji na jasno opredeljenih pravilih in verjetnostnih premislekih ter analizira denarne tokove in omrežne strukture. Ta metodologija omogoča identifikacijo nefravžnih računov in ustvarjanje vedenjskih profilov za legitimna gibanja računov. Uporabljena dvostopenjska strategija vključuje primerjavo z vedenjskim profilom in pregled verjetnosti goljufij.

Analiza podatkov in preprečevanje goljufij

V teh dneh postajajo vse pomembnejši izrazi, kot so veliki podatki, napovedna analitika in strojno učenje. Revolucionirajo poslovne modele in jih lahko uporabijo tudi za preprečevanje goljufij. V skladu s risknet so uporaba statističnih metod za analizo in vizualizacijo velikih podatkovnih zapisov v središču tega razvoja. Namen analize podatkov ni samo ustvarjanje osebnostnih profilov, ampak tudi izvajanje napovedi v realnem času.

Zakon Das Benforda, ki ga je leta 1881 odkril Simon Newcomb, je primer uporabe statističnih analiz za odkrivanje goljufij. Vendar bolj zapletene metode, vključno s strojnim učenjem, znatno povečajo vrečko za prognozo modelov tveganja. Cikel PDCA, ki omogoča strukturirane analize podatkov, in proces KDD (odkrivanje podatkov znanja) sta osrednji elementi za učinkovito upravljanje žene.

Z uspehom ekipe z univerze Constructor je še enkrat poudarjen pomen interdisciplinarnih raziskav in znanstvene odličnosti na področju analize podatkov in borbenih goljufij. Glede na progresivno digitalizacijo morajo podjetja razviti novo razumevanje analiz podatkov, da bi optimalno uporabili današnje priložnosti. Prihodnji upravljavci tveganj bodo vse pogosteje delovali kot upravljavci podatkov ali znanstveniki in razvijali močne modele analize podatkov.