Machine Intelligence for Fraud Prediction
Download as PPTX, PDF3 likes527 views
Документ обсуждает использование машинного интеллекта для предсказания мошенничества в банковской сфере, включая основные принципы машинного обучения и методы, такие как логистическая регрессия и деревья решений. Он также рассматривает вызовы и методы обработки данных для выявления мошеннических операций с кредитными картами, акцентируя внимание на динамических порогах и анализе больших данных. В заключение, документ подчеркивает важность этики и архитектуры в развертывании решений по борьбе с мошенничеством.
Machine Intelligence for Fraud Prediction
- 1. MACHINE INTELLIGENCE FOR FRAUD PREDICTION #paymentsecurity Dmitry Petukhov, ML/DS Preacher, Machine Intelligence Researcher @ OpenWay && Coffee Addicted
- 2. Говорят, что компьютерная программа обучается на основе опыта E по отношению к некоторому классу задач T и меры качества P, если качество решения задач из T, измеренное на основе P, улучшается с приобретением опыта E. T.M. Mitchell. Machine Learning, 1997. Машинное обучение — процесс, в результате которого машина (компьютер) способна показывать поведение, которое в нее не было явно заложено (запрограммировано). A.L. Samuel. Some Studies in Machine Learning Using the Game of Checkers, 1959. Терминология
- 3. Machine Learning is the Future Thesis #1
- 4. Machine Intelligence Cases for Retail Banking Personalized Product Offering Real-timeBatch Processing Processing Speed Log(Volume) Pbytes Tbytes Gbytes Structured data Semi-structured Unstructured Customer Loyalty Operational Efficiencies Fraud Detection Compliance and Regulatory Reporting Voice Identity, Chat-bots Customer Segmentation Credit Scoring Credit Card Fraud Web-/Mobile Bank Fraud Insider Threats Information Attacks
- 6. Card-not-present Fraud Volume == Big Data caseVolume Variety Velocity
- 7. Machine Intelligence + Big Data New Paradigm
- 8. Old School vs Big Data Paradigm
- 9. Dynamic threshold Static* threshold Old School vs AI Paradigm * ∆t attack ≪ ∆t reaction
- 10. Evolution or and Revolution 1. 2. 3. FALSE FALSE TRUE
- 12. MachineHuman Private cloud Public cloudHybrid cloud Forget or Secure Store and share Machine Intelligence Stack Cost Law? Ethics? Black box?
- 13. Architecture: Data Flow Online Real-time processing Transactions stream Risk score Internal data Transactions Log (WAY4), customers/merchants CRMs, black/white lists External data НБКИ, ФНС, ПФР, ФССП, location & devices definition, social graph, mobile provider score 1. Preprocessing data 2. Calculate statistics 3. Train model 4. Evaluate model DetailsRaw Aggregates Model Private data (152-ФЗ) Payment data (PCI DSS) 0. Retrieve data
- 14. Step 1: Preprocessing Data Transaction Amount Challenge 1. 2. 3.
- 15. 1. 2. Step 1: Preprocessing Data Customer Clustering Challenge
- 16. Step 2: Calculate Statistics
- 17. 1% женщин в возрасте 40 лет, участвовавших в регулярных обследованиях, имеют рак груди. 80% женщин с раком груди имеют положительный результат маммографии. 9,6% здоровых женщин также получают положительный результат (маммография, как любые измерения, не дает 100% результатов). Женщина-пациент из этой возрастной группы получила положительный результат на регулярном обследовании. Какова вероятность того, что она фактически больна раком груди? Step 2: Calculate Statistics
- 18. Step 3: Train Model Algorithm Selection Challenge Algorithm Accuracy Speed Specifics 1. Logistic regression low fast linearly separable 2. Decision Tree low medium human-readable 3. Boosted Decision Tree high medium generalization ability 4. Neural Networks medium-high low pattern recognition 5. Deep Learning high very low magic AI
- 19. Step 4: Evaluate Model Accur𝑎𝑐𝑦 = 𝑇𝑃 + 𝑇𝑁 𝑃 + 𝑁 𝑅𝑒𝑐𝑎𝑙𝑙 ∗ = 𝑇𝑃 𝑇𝑃 + 𝐹𝑁 Challenges: Imbalanced classes; False Positive Penalty != False Negative Penalty; Calculate business-metrics: Direct and indirect losses; Bonus: if you change Threshold, you will change everything… 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃 𝑇𝑃 + 𝐹𝑃 𝐹2 = 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∙ 𝑟𝑒𝑐𝑎𝑙𝑙 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙 Wikipedia
- 21. References 1. Bansal, M. Credit Card Fraud Detection Using Self Organised Map (2014) International Journal of Information & Computation Technology, Volume 4, Number 13. 2. Chan, P.K., Fan, W., Prodromidis, A.L., Stolfo, S.J. Distributed data mining in credit card fraud detection (1999) IEEE Intelligent Systems and Their Applications, 14 (6). 3. Grolinger, K., Hayes, M., Higashino, W.A., L'Heureux, A., Allison, D.S., Capretz, M.A.M. Challenges for MapReduce in Big Data (2014) Proceedings of the 2014 IEEE World Congress on Services. 4. Khan, A., Akhtar, N., and Qureshi, M. Real-Time Credit-Card Fraud Detection using Artificial Neural Network Tuned by Simulated Annealing Algorithm (2014) ACEEE, Proc. of Int. Conf. on Recent Trends in Information, Telecommunication and Computing, ITC 2014 Chandigarh, India. 5. Lu, Q., Ju, C. Research on credit card fraud detection model based on class weighted support vector machine (2011) Journal of Convergence Information Technology, 6 (1). 6. Mardani, S., Akbari, M.K., Sharifian, S. Fraud detection in Process Aware Information systems using MapReduce (2014) 2014 6th Conference on Information and Knowledge Technology, IKT 2014. 7. Dmitry Petukhov, A. Tselykh. Web service for detecting credit card fraud in near real-time (2015) Proceedings of the 8th International Conference on Security of Information and Networks. Advanced References 1. Максим Федотенко. Как защищают банки: разбираем устройство и принципы банковского антифрода. Журнал Хакер, 2017. 2. Дмитрий Петухов. Цикл статей: Антифрод как сервис. Интернет-ресурс 0xCode.in, 2016.
- 22. © 2017, Dmitry Petukhov. CC BY-SA 4.0 license. OpenWay and other product names are or may be registered trademarks and/or trademarks in the U.S. and/or other countries. Thank you!
- 23. Q&A Now or later (see contacts below) Stay connected Facebook: @code.zombi Habr: @codezombie All contacts: http://0xCode.in/author Download presentation from http://0xCode.in/2017/paymentsecurity or