Constructor University vinner Big Data Challenge med en ny bedrägerimodell!

Constructor University vinner Big Data Challenge med en ny bedrägerimodell!

Bremen, Deutschland - Ett team av Constructor University vann i det professionella spåret. Priset tilldelades för en innovativ, transparent och regelbunden statistisk modell för erkännande av ekonomiskt bedrägeri. Denna modell kännetecknas inte bara av dess precision, utan överskrider också konventionella metoder för maskininlärning i noggrannhet.

Tävlingen, som organiseras årligen av Cognitive Systems Lab (CSL) vid University of Bremen, fokuserad på bedrägeri erkännande i år. Deltagande team, inklusive ledande AI -företag i regionen, mötte utmaningen att utveckla effektiva tillvägagångssätt för att identifiera bedrägliga aktiviteter. Teamet som tävlade under namnet SpiderBobs och under ledning av Dr. Johannes Falk, postdoktoralt i Computational Systems Biology Group, som drivs, bestod av Eda Cakir och Dr. Ali Salehzadeh-Yazdi.

Innovativa metoder för bedrägeriupptäckt

För att lösa problemet testades olika vanliga modeller, inklusive LSTM -neuronala nätverk,. I slutändan utvecklade emellertid teamet en regelbaserad modell som kännetecknas av en F1-poäng på 0,9992, vilket anses vara en central noggrannhetsindikator i bedrägeriupptäckt. Teamen syftar till att skapa transparenta analyser som kan konkurrera med de ofta icke-transparenta svarta rutmetoderna för AI eller till och med överskrida dem.

Den utvecklade modellen kräver en djup förståelse för datamekanismer och sannolikhetsmodellering. Det är baserat på tydligt definierade regler och probabilistiska överväganden och analyserar pengarflöden och nätverksstrukturer. Denna metod möjliggör identifiering av icke -fraudulenta konton och skapandet av beteendemässiga profiler för legitima kontorörelser. Den två scenstrategi som tillämpas inkluderar jämförelse med beteendemässig profil och översyn av bedrägeri sannolikhet.

Dataanalys och förebyggande av bedrägerier

I dag blir termer som big data, prediktiv analys och maskininlärning allt viktigare. De revolutionerar affärsmodeller och kan också användas för förebyggande av bedrägerier. Enligt Risket är användningen av statistiska metoder för analys och visualisering av stora dataregister vid centrum för denna utveckling. Syftet med dataanalysen är inte bara skapandet av personlighetsprofiler, utan också implementeringen av realtidsförutsägelser.

das Benfords lag, upptäckt av Simon Newcomb 1881, är ett exempel på användningen av statistiska analyser för upptäckt av bedrägeri. Men mer komplexa metoder, inklusive maskininlärning, ökar prognospåsen med riskmodeller avsevärt. PDCA -cykeln, som möjliggör strukturerade dataanalyser, och KDD -processen (kunskapsdataupptäckt) är centrala element för effektiv hustruhantering.

Med framgången för teamet från Constructor University, återigen understryks vikten av tvärvetenskaplig forskning och vetenskaplig excellens inom dataanalys och bekämpningsbedrägeri. Med tanke på den progressiva digitaliseringen måste företag utveckla en ny förståelse för dataanalyser för att optimalt använda dagens möjligheter. Framtida riskhanterare kommer alltmer att fungera som datahanterare eller forskare och utveckla robusta dataanalysmodeller.