چرا باید از یادگیری ماشین(ML) در کشف تقلب استفاده کرد؟

نویسنده : مهسا اذانی | تاریخ بروزرسانی : 1400/03/21

هوش مصنوعی (Artificial intelligence) نزدیک به 100 سال است که در فیلم های علمی تخیلی، در فیلم هایی مانند RoboCop، ماتریکس، جنگ ستارگان و انتقام جویان حضور دارد. در حقیقت، هنوز هوش مصنوعی امروز کاملاً همان تصویری نیست که در فیلم ها نشان داده شده است. اما یک حقیقت وجود دارد که هوش مصنوعی مانند کامپیوترهایی است که با هوش انسان عمل می کنند.

 

یادگیری ماشینی یا ماشین لرنینگ (Machin learning) زیر مجموعه هوش مصنوعی(AI) است و تفاوت اصلی آن “یادگیری” است. با یادگیری ماشینی(ML)، ما می توانیم مقدار زیادی اطلاعات به رایانه بدهیم و او می تواند یاد بگیرد كه چگونه درباره داده ها تصمیم بگیرد، مانند روشی كه انسان انجام می دهد.

 

یادگیری ماشینی در زندگی روزمره ما کاربردهای بسیاری دارد، به عنوان مثال شناسایی هرز نامه از طریق ایمیل، تشخیص تصویر و توصیه های محصول برای مشترکین فلیمو نماوا، پیشنهاد های هوشمند به کاربران دیجیکالا بر اساس محصول های مشاهده شده آن ها.

 

یادگیری عمیق زیر مجموعه یادگیری ماشین است. مزیت اصلی یادگیری عمیق توانایی ایجاد مدل های انعطاف پذیر برای کارهای خاص مانند کشف تقلب (Fraud detection) است. با یادگیری ماشینی سنتی، ما نمی توانیم به همین راحتی مدل های سفارشی ایجاد کنیم.

 

“یادگیری ماشینی مجموعه ای از روش ها و تکنیک ها است که به رایانه ها اجازه می دهد الگوها و روندها را تشخیص دهند و براساس آنها پیش بینی هایی ایجاد کنند”

کشف تقلب سنتی

 

به طور سنتی مشاغل برای جلوگیری از پرداخت های جعلی فقط به قوانین اعتماد می کردند. امروزه، قوانین هنوز قسمت مهمی از جعبه ابزار مبارزه با تقلب هستند، اما در گذشته، استفاده از آنها به تنهایی باعث رخداد برخی از مسائل شد.

 

مثبت کاذب

استفاده از قوانین زیاد منجر به ایجاد تعداد زیادی مثبت کاذب می شود، مثبت کاذب به این معنی است که احتمالاً بسیاری از مشتریان اصلی را مسدود خواهید کرد. به عنوان مثال، سفارشات با ارزش بالا و سفارشات از مکانهای پر خطر احتمالا بیشتر در آنها  جعل صورت می گیرد. اما اگر قانونی را فعال کنید که تمام معاملات بیش از 5 ملیون تومان یا هر پرداخت از یک منطقه خطرناک را مسدود کند، تجارت بسیاری از مشتریان اصلی را نیز از دست خواهید داد.

 

نتایج ثابت

آستانه رفتارهای تقلب می تواند به مرور تغییر کند، اگر قیمت های شما تغییر کند، مقدار متوسط سفارش می تواند افزایش یابد، به این معنی که سفارشات بالای 5 ملیون تومان به یک قاعده تبدیل می شود و بنابراین قوانین می توانند بی اعتبار شوند. قوانین نیز مطلق است، بنابراین به شما اجازه نمی دهد که درمورد میزان پرداخت اعمال نظر کنید.

 

مقیاس پذیری ناکارآمد و سخت

استفاده از رویکرد فقط قوانین برای مقابله با تقلب به این معنی است که با تکامل تقلب، هر روز باید قوانین بیشتری وضع کرد. این باعث کندی سیستم می شود و مسئولیت نگهداری زیادی را بر دوش تیم تحلیلگر تقلب شما می گذارد و خواستار افزایش تعداد بررسی های دستی است. متقلبان همیشه در حال کار بر روی روش های هوشمندانه، سریع تر و مخفی تر برای ارتکاب تقلب به صورت آنلاین هستند. امروزه، مجرمان از روشهای پیچیده ای برای سرقت اطلاعات پیشرفته مشتری و جعل هویت مشتریان واقعی استفاده می کنند، و حتی این دشوار است که قوانین مبتنی بر حسابهای کلاهبرداری معمول این نوع رفتارها را تشخیص دهد.

 

“قوانین و یادگیری ماشینی ابزاری مکمل برای کشف تقلب هستند”

اگرچه یادگیری ماشینی پیشرفت بسیار خوبی را در سیستم های تشخیص تقلب ایجاد کرده است، اما به این معنی نیست که باید کاملاً از قوانین دست بکشید. استراتژی مبارزه با تقلب شما هنوز هم باید منطقی باشد و همچنین مزایای فن آوری یادگیری ماشین را نیز در بر بگیرد.

 

چرا یادگیری ماشینی برای تشخیص تقلب مناسب است؟

سرعت زیاد

 

وقتی صحبت از تصمیمات کلاهبرداری می شود، سریعاً به نتایج نیاز دارید! تحقیقات نشان می دهد هرچه سفر خریدار بیشتر طول بکشد احتمال اتمام تسویه حساب کمتر است.

 

یادگیری ماشین مانند این است که چندین تیم از تحلیلگران صدها هزار پرس و جو را اجرا می کنند و نتایج را برای یافتن بهترین نتیجه مقایسه می کنند، این همه کار در زمان واقعی انجام می شود و فقط چند میلی ثانیه طول می کشد.

 

یادگیری ماشینی و همچنین تصمیم گیری به موقع، ارزیابی رفتار مشتری فردی است که اتفاق می افتد. این به طور مداوم فعالیت “عادی” مشتری را تجزیه و تحلیل می کند، بنابراین در صورت مشاهده ناهنجاری می تواند به طور خودکار پرداختی را برای بررسی تحلیلگر مسدود یا علامت گذاری کند.

 

 

هر تجارت آنلاین می خواهد حجم معاملات خود را افزایش دهد. با استفاده از یک سیستم فقط قوانین، افزایش مقادیر پرداخت و داده های مشتری فشار بیشتری به کتابخانه قوانین برای گسترش می دهد. اما با یادگیری ماشینی برعکس است، هرچه داده بیشتر باشد، بهتر است.

 

سیستم های یادگیری ماشین با مجموعه داده های بزرگتر بهبود می یابند، زیرا این امر مثالهای بیشتری از خوب و بد را به سیستم می دهد. مشتریان واقعی و متقلب. این بدان معنی است که مدل می تواند تفاوت ها و شباهت های بین رفتارها را سریعتر تشخیص داده و از این روش برای پیش بینی تقلب در معاملات آینده استفاده کند.

 

 

به یاد داشته باشید که یادگیری ماشینی مانند این است که چندین تیم در مورد صدها هزار پرداخت در ثانیه تجزیه و تحلیل کنند. هزینه انسانی این امر بسیار زیاد خواهد بود، هزینه یادگیری ماشین فقط هزینه سرورهای در حال اجرا است.

 

یادگیری ماشینی تمام کارهای کثیف(سخت) تجزیه و تحلیل داده ها را در کسری از زمان که حتی برای 100 تحلیلگر متقلب لازم است انجام می دهد. برخلاف انسان، ماشین آلات می توانند کارهای تکراری و خسته کننده 24/7 را انجام دهند و فقط در صورت نیاز به بینش خاص، باید تصمیمات را به انسان انتقال دهند.

 

 

به همین ترتیب، یادگیری ماشین اغلب می تواند در کشف الگوهای غیر شهودی یا روندهای ظریف که ممکن است بعداً برای یک تحلیلگر تقلب آشکار باشد، از انسان نیز دقیق تر باشد.

 

مدل های یادگیری ماشینی قادر به یادگیری از الگوهای رفتار طبیعی هستند. آنها بسیار سریع سازگار با تغییرات در آن رفتار عادی هستند و می توانند به سرعت الگوهای معاملات تقلب را شناسایی کنند.

 

این بدان معناست که این مدل می تواند مشتریان مشکوک را حتی در صورت عدم جبران هزینه، شناسایی کند. به عنوان مثال ، یک شبکه عصبی می تواند به سیگنالهای مشکوکی مانند اینکه مشتری چند صفحه را قبل از انجام سفارش مرور می کند، بررسی کند که آیا با تغییر اندازه ویندوز خود در حال کپی و جایگذاری اطلاعات است یا خیر و مشتری را برای بررسی علامت گذاری می کند.

 

نتیجه گیری

هوش مصنوعی در راستای هوش انسان قرار خواهد گرفت و برای رسیدن به این جایگاه به ابزاری از قبیل یادگیری ماشین و یادگیری عمیق نیاز خواهد داشت.