机器学习提高中！让金融欺诈无路可走

全文共1926字，估计学习时长6分钟

来源：Pexels

其实，并不是一切人都需求欺诈预防。




当金融机构追逐上最新的犯罪手腕时，欺诈者曾经想出了一种新的方法来代替它。由于有义务不断打击诈骗者，金融机构与罪犯保持分歧步调是一项持续的应战。同时，金融部门花费大量的预算，工夫和精神来开发或采用更先进的技术来预防欺诈。




但是，他们能够短少一项像欺诈手腕一样迅速顺应和变化的技术。




传统上，组织依托基于规则的算法来阻止欺诈。规则采用if-else逻辑，可以彻底检测已知的欺诈形式。即便规则（假如与先进方法结合）照旧是重要的防欺诈工具，但这仅限于已知形式。它们无法顺应未知的欺诈形式和方案，无法有效辨认复杂的欺诈技术。




机器学习（ML）算法可以学习并顺应所处理的每一个数据，可以在打击欺诈方面发挥作用。一个经过优化设计的AI系统不只能顺应新变化，还能发现新形式而不会产生能够会导致过多假阳性的过拟合。




这就是为什么越来越多的行业正在采用机器学习和人工智能以检测和防止欺诈的缘由。根据一项调查，采用基于AI的处理方案的防欺诈专家中有80％以为AI对打击欺诈者有效。




但是，照旧存在的成绩是弄清楚哪种机器学习算法可以有效地检测未知的欺诈形式。监督学习和无监督学习算法哪一个更有效？

应该运用什么ML算法来停止欺诈检测？

来源：Pexels

欺诈检测




简而言之，机器学习可以自动化从数据中提取已知和未知形式的过程。同时，它还辨认出已获取的数据形式，并将其运用于未知或真实数据。该系统还可以经过反馈回路向其提供的新形式和结果来停止学习和顺应。



监督或无监督ML模型




在监督和无监督的学习模型中，学习和顺应有所不同。在监督学习中，机器学习模型尝试从已知的数据形式（也称为标记数据）中学习。为了训练监督ML模型，将欺诈性数据记录和非欺诈性数据记录都提供给算法，这些数据都是标记数据。




另一方面，无监督ML算法的工作方式有所不同。未标记的数据将显示给模型，该模型可自行学习数据结构。这有助于从数据中检测未知形式。

鲁棒ML模型的5个要点




那么ML模型是怎样工作的？哪些组件对于实施一个用于欺诈检测的健壮ML系统必不可少？要将ML运用于欺诈预防，需求以下要素：




· 数据：无论是AI还是ML，质量数据都是构建反欺诈系统的基础。如今的可用数据量很大，并被以为是21世纪的新货币，这归功于这一准绳：当触及到数据驱动的AI模型时，更多的数据相当于欺诈检测中添加的准确性。但是，公司面临的次要应战是拥有一个可以随着数据和复杂性的添加而扩展的AI平台。




· 丰富：任何监督或无监督ML算法都不能单独用于欺诈检测以获得最佳效果。需求采用不同的算法或方法，并运用不同的数据样本对其停止测试以获得成功。




· 集成：在已开发的AI / ML模型中只要50％能投入市场，这导致了精神与大量工作的糜费。在Hadoop中拥有数据意味着模型只能在Hadoop中运用。另一方面，假如数据在实时系统中传输，则需求可以嵌入这些系统中的ML算法。这就是为什么为模型开发可移植的集成（例如API）至关重要。




· 持续监控：持续监控是必不可少的，这使ML模型比简单的基于规则的算法更有效。一个好的持续监控程序可以注册并跟踪ML模型的持续有效性。




· 实验：欺诈者很聪明，技术变化很快。因此，仅建立和部署用于欺诈检测的ML模型是不够的。必须有一个平台，让AI迷信家可以基于新技术和数据不断测试和加强ML模型。

处理欺诈，加强客户体验等

来源：Pexels

在提供精致的客户体验的同时检测欺诈者是一项艰巨的义务。假如组织的系统虽然可以准确地预测和阻止欺诈行为，但同时采用了繁琐的身份验证措施，则很容易得到客户。




除了预防欺诈之外，人工智能还可以经过多种方式改变银行业。无缝的客户体验，移动银行业务，风险管理和成本降低是AI做出贡献的一些方式。

总结

不良行为者的策略变得越来越复杂，由于他们不断采用新方法来应用金融系统。欺诈性买卖虽占比很小，但能够会产生深远的影响，并能够导致数百万美元的损失。




置信随着AI的提高，可学习，顺应和发现新兴形式以防止欺诈的系统终有一天可以给每个需求的企业安排上。

留言点赞关注

我们一同分享AI学习与发展的干货

如转载，请后台留言，遵守转载规范

那个啥吧。。。就是这个。。。你知道我要说啥吧。。。

学习下

1v1飘过