211service.com
6 elementos esenciales para combatir el fraude con el aprendizaje automático
Imagen de cabecera
Proporcionado por S.A.S.
Stu Bradley es vicepresidente de inteligencia de fraude y seguridad en SAS.
Lo escuchamos todo el tiempo: Prevención del fraude es difícil porque los estafadores cambian y se adaptan continuamente. En el momento en que descubre cómo reconocer y prevenir una estafa, surge una nueva para ocupar su lugar.
Entonces, naturalmente, la mejor tecnología para combatir el fraude es aquella que puede cambiar y adaptarse tan rápido como las tácticas del defraudador. eso es lo que hace aprendizaje automático (ML) sistemas perfectos para combatir el fraude. Cuando se diseñan de manera óptima, aprenden, se adaptan y descubren patrones emergentes sin la adaptación excesiva que puede generar demasiados falsos positivos.
Tradicionalmente, las organizaciones se han basado en sistemas basados en reglas para detectar el fraude. Las reglas emplean una lógica si-entonces que puede ser minuciosa para descubrir patrones conocidos de fraude. Y aunque las reglas siguen siendo una herramienta importante para combatir el fraude, especialmente en combinación con enfoques avanzados, se limitan a reconocer patrones que ya conoce y puede programar en la lógica. No son efectivos para adaptarse a nuevos patrones de fraude, descubrir esquemas desconocidos o identificar técnicas de fraude cada vez más sofisticadas.
Es por eso que cada vez más industrias están adoptando ML e inteligencia artificial para la detección de fraudes. Investigación reciente por SAS y la Asociación de Examinadores de Fraude Certificados encontró que solo el 13% de las organizaciones en todas las industrias aprovechan estas tecnologías para detectar y disuadir el fraude. Otro 25 % planea incorporarlos en sus programas antifraude durante los próximos dos años, un aumento de casi el 200 %.
Aprendizaje supervisado o no supervisado para la detección de fraudes
¿Entonces, cómo funciona? En pocas palabras, ML automatiza la extracción de patrones conocidos y desconocidos de los datos. Una vez que reconoce esos patrones, puede aplicar lo que sabe a datos nuevos e invisibles. La máquina aprende y se adapta a medida que se le presentan nuevos resultados y nuevos patrones a través de un ciclo de retroalimentación.
En la detección de fraudes, los modelos de ML supervisados intentan aprender de los registros identificados en los datos, a menudo denominados datos etiquetados. Para entrenar un modelo supervisado, le presenta registros fraudulentos y no fraudulentos que han sido etiquetados como tales.
ML no supervisado es diferente. Cuando no sabe qué datos son fraudulentos, le pide al modelo que aprenda la estructura de datos por sí mismo. Simplemente lo presenta con datos, y el modelo intenta comprender la estructura subyacente y las dimensiones de esos datos.
Detección de fraude con ML: Los componentes
Para aplicar ML a la detección de fraude, como mínimo, necesitará los siguientes componentes:
- Datos : Al igual que con todas las aplicaciones de ML, los datos de calidad son fundamentales para crear sistemas de ML antifraude. Los conjuntos de datos son cada vez más grandes y, a medida que aumentan los volúmenes, también lo hace el desafío de detectar el fraude. Afortunadamente, el adagio de que más datos equivalen a mejores modelos es cierto cuando se trata de detección de fraude. El factor decisivo es tener una plataforma de ML que pueda escalar a medida que aumentan los datos y la complejidad.
- Multiplicidad : No existe un único algoritmo o método de ML que funcione mejor para la detección de fraudes. El éxito proviene de la capacidad de probar muchos métodos diferentes, probando variaciones y evaluándolas con una variedad de conjuntos de datos. Eso requiere un conjunto de herramientas con una variedad de métodos supervisados y no supervisados, así como una variedad de técnicas de ingeniería de características. La aplicación de ML en formas nuevas y novedosas, como la combinación de una variedad de métodos supervisados y no supervisados en un solo sistema, es más eficaz que cualquier método por sí solo.
- Integración : Esto parece una necesidad obvia, pero sigue siendo un obstáculo común para el éxito en muchas organizaciones. Solo el 50% de todos los modelos desarrollados alguna vez llegan a la producción, lo que resulta en una gran cantidad de esfuerzo desperdiciado. Una vez que haya desarrollado un modelo de ML, el desafío consiste en implementarlo en un entorno de tiempo de ejecución operativo. Si sus datos están en Hadoop, tiene sentido que su modelo ML se pueda aplicar en Hadoop. De manera similar, si sus datos se transmiten en sistemas en tiempo real, desea un motor ML que pueda ejecutarse en tiempo real o en flujo. La portabilidad del modelo y la integración de la lógica de decisión dentro de los sistemas operativos es primordial para detener el fraude a escala, y cuando ocurre a escala.
- Boxeo blanco : Los métodos y modelos de ML son generalmente cajas negras. A menudo es muy difícil (si no imposible) explicar a los responsables de la toma de decisiones cómo el modelo llegó a la puntuación oa la conclusión a la que llegó. Pero explicar el qué y el cómo de los sistemas de ML es fundamental, especialmente en industrias altamente reguladas como los servicios financieros. Este factor de explicabilidad a menudo se denomina caja blanca o interpretabilidad, y es fundamental para respaldar los procesos de validación y gobierno del modelo.
- Monitoreo continuo : El monitoreo continuo de los sistemas de detección de fraude de ML es imperativo para el éxito. A medida que cambian las poblaciones y los datos subyacentes, espere que las entradas del sistema se degraden y afecten el rendimiento general. Esto no es exclusivo de los sistemas ML; los sistemas basados en reglas tienen el mismo desafío. Pero los métodos de ML más nuevos pueden adaptarse a patrones nuevos y no identificados a medida que ocurren cambios subyacentes. Esto elimina algunos, pero no todos, los pasos de evaluación y reentrenamiento de ML. Un buen programa de monitoreo registra y rastrea la eficacia continua de todos los modelos.
- Experimentación : Los programas exitosos de ML tienen un elemento de experimentación continua. No es suficiente simplemente construir un modelo ML y dejarlo funcionar. Los estafadores son inteligentes y la tecnología cambia rápidamente. Tener una caja de arena donde los científicos de datos puedan experimentar libremente con una variedad de métodos, datos y técnicas para combatir el fraude se ha convertido en un aspecto crítico de los principales programas antifraude. Las inversiones para aumentar la capacidad de los científicos de datos que luchan contra el fraude pueden generar una recuperación casi inmediata.
Equilibrar la detección y la experiencia del cliente
Identificar transacciones nefastas mientras se brinda un servicio al cliente de calidad es un acto de equilibrio delicado. Una organización que con frecuencia rechaza transacciones legítimas o hace que sus medidas de autenticación sean demasiado engorrosas, es probable que pierda clientes. Los sistemas ML son ideales para minimizar este tipo de fricción.
Por ejemplo, una institución financiera global trabajó recientemente con SAS para modernizar su sistema de detección de fraude basado en reglas y ayudar a lograr un equilibrio entre la supervisión y el servicio al cliente. Para hacer esto, el banco implementó una solución basada en ML de SAS que utiliza un conjunto de redes neuronales para crear dos puntajes de fraude diferentes:
- Una puntuación de fraude principal, que evalúa la probabilidad de que una cuenta se encuentre en un estado fraudulento.
- Una puntuación transaccional, que evalúa la probabilidad de que una transacción individual sea fraudulenta.
Usando este enfoque de doble puntaje, la institución financiera identificó correctamente casi $1 millón en transacciones mensuales que habían sido erróneamente identificadas como fraude. También pudo encontrar $ 1.5 millones adicionales por mes en fraude que anteriormente no había sido detectado.
Reuniéndolo todo
La detección del fraude es un problema desafiante. Si bien las transacciones fraudulentas representan una fracción muy pequeña de la actividad dentro de una organización, un pequeño porcentaje de actividad puede convertirse rápidamente en grandes pérdidas de dinero si no se cuenta con las herramientas y los sistemas adecuados. Con los avances en ML, los sistemas pueden aprender, adaptarse y descubrir patrones emergentes para prevenir el fraude, de modo que pueda mantenerse al día con los estafadores incluso a medida que evolucionan y cambian de táctica.