سیستم‌های سنتی ایکامرس برای تشخیص تقلب تنها می‌توانند با سناریوهایی که قبلاً اتفاق افتاده‌اند کار کنند و از انواع تقلب‌های گذشته جلوگیری کنند. این شیوه‌ها تنها زمانی می‌تواند نتیجه‌گیری درستی داشته باشد که تقلبی صورت گرفته و کاری برای ردگیری

شناسایی تقلب در ایکامرس موضوع مهمی است که صاحبان کسب‌وکارهای ایکامرسی باید دغدغه آن را داشته باشند. شاید شرکت‌های نوپا این موضوع را به خوبی درک نکرده باشند ولی با قدرت گرفتن تجارت و بالا رفتن تراکنش‌های خریدشان، خیلی زود

از سال 2018 تا 2019 ، درآمد ایکامرس  57٪ افزایش یافته است. انتظار می‌رود تا سال ۲۰۲۳، این تجارت ۲۲ درصد از کل خرده‌فروشی‌ها را به خود اختصاص دهد؛ جهشی که  ۷.۹ درصد نسبت به سال ۲۰۱۹ رشد داشته است.

نکته قابل توجه برای هر کسب و کار بزرگ آنلاین این است که آیا یک راه حل تشخیص تقلب در داخل مجموعه ایجاد کند یا از یک ارائه دهنده راه حل (third party)استفاده کند. ما یک نظر داریم اما بگذارید

تصمیم داریم در مورد این صحبت کنیم که چه داده هایی را برای یک مدل یادگیری ماشین استفاده می کنیم و چگونه داده های مناسب یک کسب و کار را برای مهندسی ویژگی انتخاب می کنیم. هر کسب و کاری داده

ما برای دستیابی به بهترین عملکرد از ترکیبی از معماری های مدل مختلف استفاده می کنیم، در اینجا معرفی مختصری از سه معماری برجسته ای است که ما استفاده می کنیم و اینکه چرا از آنها استفاده می کنیم توضیح

چندین مدل مختلف یادگیری ماشین می شود استفاده کرد، در اینجا یک توضیح ساده از نحوه کار سیستم یادگیری ماشین تحت نظارت(Supervised machine learning system) وجود دارد با ما همراه باشید.     داده های ورودی به یادگیری ماشین وقتی نوبت به کشف تقلب

بیایید تصور کنیم در حال ساخت یک مدل یادگیری ماشین برای کشف تقلب برای یک کسب و کار سفارش آنلاین غذا هستیم. کسب و کار داستانی ما DeliverDinner نام دارد.   هنگامی که DeliverDinner به عنوان مشتری جدید به دژینو می پیوندد ، آنها شروع به ارسال ترافیک

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