Inhoud
- Fraude en banken
- Hoe kan machinaal leren in Hadoop fraude voorkomen?
- Hulpmiddelen om bankfraude te voorkomen
- Nadelen van machine learning
- Gevolgtrekking
Bron: Ajv123ajv / Dreamstime.com
Afhaal:
Fraudedetectie is altijd een prioriteit geweest in de banksector, maar met de toevoeging van moderne tools zoals Hadoop en machine learning kan het nauwkeuriger zijn dan ooit.
Fraudedetectie en -preventie is een grote pijn voor de banksector. De industrie besteedt miljoenen aan technologieën om fraude te verminderen, maar de meeste van de huidige mechanismen zijn gebaseerd op statische historische gegevens. En het is gebaseerd op patroon- en handtekeningmatching op basis van deze historische gegevens, dus eerste frauduleuze handelingen zijn zeer moeilijk te detecteren en kunnen veel financieel verlies veroorzaken. De enige oplossing is het implementeren van een mechanisme op basis van zowel historische als realtime gegevens. Hier spelen het Hadoop-platform en machine learning een rol.
Fraude en banken
Banken zijn erg kwetsbaar voor fraude, omdat fraude hun belangrijkste oorzaak van geldverlies is. Een schatting suggereert dat elk jaar meer dan $ 1,7 biljoen verloren gaat als gevolg van bankfraude. Om dit te voorkomen geven banken veel geld uit aan fraudepreventie. Ze geven echter niet veel uit om zichzelf te beschermen. Daarom zijn de huidige technologieën waarmee banken tegenwoordig zijn uitgerust, niet krachtig genoeg. Big data en machine learning kunnen echter helpen het huidige systeem te vernieuwen en fraude tot een dieptepunt te brengen.
De huidige benaderingen van fraudedetectie hebben de volgende beperkingen:
In het geval van huidige methoden voor fraudepreventie is een juiste update van een algoritme volgens de meest recente gevallen van fraude noodzakelijk. Vaak worden deze modellen echter jaarlijks bijgewerkt, omdat de kosten en benodigde tijd zo hoog zijn. Het is ook erg moeilijk om een nauwkeurig algoritme af te leiden en te gebruiken. Dus als het algoritme niet regelmatig wordt bijgewerkt, kan fraude onopgemerkt blijven tot de implementatie van het nieuwere algoritme, dat maanden of zelfs jaren later kan worden geïmplementeerd.
U kunt uw programmeervaardigheden niet verbeteren als niemand om softwarekwaliteit geeft.
Hoe kan machinaal leren in Hadoop fraude voorkomen?
Vroeger was het heel eenvoudig om grote hoeveelheden gegevens nauwkeurig te verwerken, maar met de komst van grote gegevens zijn er verschillende snellere en krachtigere toepassingen voor gegevensverwerking gemaakt. Een van de krachtigste van deze applicaties is het Hadoop-platform. Hadoop is buitengewoon krachtig vanwege zijn MapR-functie, waarmee het gemakkelijk grote hoeveelheden gegevens in realtime kan verwerken, en dat bovendien heel goedkoop.
Omdat Hadoop gemakkelijk grote hoeveelheden gegevens tegelijkertijd kan verwerken, kan het worden gebruikt om alle oudere transactierecords en handtekeningen te verwerken en een uiterst nauwkeurig wiskundig model te maken. Deze transactiegegevens kunnen ook worden gebruikt om handtekeningen te extraheren, waardoor de bank first-time fraudetransacties kan onderscheppen. De vraag die nu rijst, is echter welke tool kan worden gebruikt voor het verwerken van de gegevens en het ontwikkelen van een perfect algoritme?
Hulpmiddelen om bankfraude te voorkomen
Met de toename van bankfraude is een goede applicatie voor fraudebeheer de noodzaak van het uur. Een van deze tools is Skytree. Skytree is eigenlijk een speciaal platform voor machinaal leren dat hoge nauwkeurigheid en prestaties belooft te bieden, zelfs wanneer het probleem bestaat uit het verwerken van grote gegevens over banktransacties. Het is gebaseerd op de gegevensclusters van het MapR-type van Hadoop, die big data in realtime verwerken. Het kan ook een groot aantal procedures voor machinaal leren gebruiken, inclusief methoden met en zonder toezicht. Vanwege dergelijke efficiënte machine learning-procedures is Skytree in staat om frauduleuze transacties te stoppen met behulp van een geavanceerd model en zelfs eerste fraude te stoppen op basis van zijn vermogen om verdachte transacties te onderscheppen. Skytree kan automatisch de beste informatie selecteren en gebruiken om een zeer nauwkeurig model te maken. Het kan ook gemakkelijk grote hoeveelheden gegevens analyseren, dus het is gemakkelijker om het huidige model met zijn hulp bij te werken.
Nadelen van machine learning
Machine learning kan een zeer krachtige oplossing zijn voor fraudedetectie, maar het kan ook een grote uitdaging zijn. Het concept is direct gerelateerd aan kunstmatige intelligentie. Het feit dat onze machines de beslissingen voor ons zullen nemen, kan morele implicaties hebben. U hoeft zich echter geen zorgen te maken, omdat de toepassing voor ons werkt en de beste beslissingen neemt onder toezicht van een menselijke medewerker. Wees gerust, machine learning zal slimmere technieken voor fraudepreventie opleveren en in de toekomst verlies van geld helpen voorkomen.
Gevolgtrekking
De beste applicatie voor fraudebeheer moet krachtig, snel en nauwkeurig zijn en moet zich aan verschillende situaties aanpassen. Om dit te bereiken, moet de applicatie in staat zijn om transactiegegevens en handtekeningen uit te werken en tegelijkertijd de database up-to-date te houden met de nieuwste soorten fraude. Alleen een platform op basis van Hadoop kan dit doen, omdat platforms op basis van Hadoop extreem snelle machine learning-applicaties zijn die veel verschillende soorten machine learning-algoritmen kunnen ondersteunen. Daarnaast zijn op Hadoop gebaseerde platforms ook zeer nauwkeurig, zodat ze gemakkelijk veel gevallen van fraude kunnen voorkomen, omdat ze fraude in realtime kunnen detecteren. Dit betekent dat als een speciale machine learning-applicatie naast de bank staat, die bank bijna onkwetsbaar is voor fraude!