建筑商大学通过新的欺诈模式赢得了大数据挑战！

建筑商大学通过新的欺诈模式赢得了大数据挑战！

Bremen, Deutschland - 建筑大学在专业赛道上赢得了冠军。该奖项因承认财务欺诈而获得创新，透明和常规统计模型而颁发。该模型不仅具有其精度的特征，而且还超过了准确性的机器学习的常规方法。

竞争是由不来梅大学认知系统实验室（CSL）每年组织的，该实验室重点是今年的欺诈认可。参加团队，包括该地区领先的AI公司，面临着开发有效方法来识别欺诈活动的挑战。以SpiderBobs的名义竞争的团队，在计算系统生物学小组的博士后Johannes Falk博士的指导下，由Eda Cakir和Ali Salehzadeh-Yazdi博士组成。

欺诈检测的创新方法

用于解决问题，测试了包括LSTM神经元网络在内的各种常见模型。但是，最终，团队开发了一个基于规则的模型，该模型的特征是F1得分为0.9992，这被认为是欺诈检测中的核心精度指标。这些团队旨在创建能够与AI的通常非透明黑匣子方法竞争的透明分析，甚至超过了它们。

开发的模型需要深入了解数据机制和概率建模。它基于明确定义的规则和概率考虑因素，并分析货币流和网络结构。该方法可以识别非歪曲帐户以及为合法帐户移动创建行为概况。应用的两个阶段策略包括与行为概况的比较和欺诈概率的审查。

数据分析和欺诈预防

当今，大数据，预测分析和机器学习等术语变得越来越重要。他们彻底改变了商业模式，也可以用于预防欺诈。根据 strignnet 是统计方法的使用统计方法来分析和可视化大型数据记录。数据分析的目的不仅是创建人格概况，而且是实时预测的实施。

Das Benford的定律是使用统计分析检测欺诈的一个例子。但是，包括机器学习在内的更复杂的方法大大增加了风险模型的预后袋。 PDCA周期可以实现结构化的数据分析，而KDD过程（知识数据发现）是有效妻子管理的中心要素。

随着构造师大学的团队成功，跨学科研究和科学卓越在数据分析和战斗欺诈领域的重要性得到了强调。鉴于渐进的数字化，公司必须对数据分析进行新的了解，以便最佳地利用当今的机会。未来的风险经理将越来越多地充当数据经理或科学家，并开发强大的数据分析模型。