Featurespace wprowadza Automated Deep Behavioral Networks ^Wyróżniony

„Znaczenie tego rozwiązania wychodzi daleko poza zakres radzenia sobie z przestępstwami finansowymi w przedsiębiorstwach. To zupełnie nowa generacja uczenia maszynowego” - powiedział Dave Excell, założyciel Featurespace.

Wynalazek

Jako przełom w technologii głębokiego uczenia, nowe rozwiązanie wymagało zupełnie nowego sposobu konstrukcji i projektowania platform uczenia maszynowego. Automatyczne głębokie sieci behawioralne stanowią nową architekturę opartą o rekurencyjne sieci neuronowe, która dostępna jest wyłącznie w najnowszej wersji ARIC™ Risk Hub.

Wyzwanie i odkrycie

Technologia głębokiego uczenia ma wiele różnych zastosowań, jak na przykład przetwarzanie języka naturalnego do przewidywania kolejnego wyrazu w zdaniu, jednak jej wykorzystanie do wykrywania oszustw z użyciem kart i innych metod płatności nie zostało dotąd zoptymalizowane w taki sposób, by chronić firmy i konsumentów przed tego rodzaju nadużyciami. Jednak opracowany wynalazek rozwiązał ten problem.

Transakcje realizowane są okresowo, co sprawia, że kluczowe dla przewidywania zachowań jest zrozumienie ich kontekstu czasowego. Poprzednio budowanie skutecznych modeli uczenia maszynowego do zapobiegania oszustwom wymagało od analityków danych posiadania pogłębionej wiedzy z danej dziedziny. Tylko w ten sposób możliwa była identyfikacja i dobór odpowiednich cech danych, co stanowi żmudny lecz kluczowy etap.

Dział Featurespace Research opracował automatyczne głębokie sieci behawioralne w celu automatyzacji wykrywania cech i wprowadzania komórek pamięci z natywnym rozumieniem roli czasu w przepływach transakcji. Pozwoli to jeszcze poprawić wyniki względem najlepszej na rynku adaptacyjnej analizy zachowań (Adaptive Behavioral Analytics) oferowanej przez spółkę. Wykrywanie oszustw zanim środki ofiary opuszczą rachunek bankowy stanowi najlepszą linię obrony przed nadużyciami, przejmowaniem kont i atakami na karty i środki płatności. Automatyczne głębokie sieci behawioralne oferują następujące korzyści z podziałem na grupy odbiorców:

Konsumenci:

• Możliwość realizowania normalnych transakcji przy ułatwionym procesie weryfikacji; oraz

• Automatyczna identyfikacja nadużyć, przejęć kont oraz oszustw z udziałem kart i innych form płatności zanim środki ofiary opuszczą rachunek bankowy.

Analitycy danych:

• Automatyczne wykrywanie cech zdarzeń transakcyjnych;

• Wprowadzenie logiki uczenia maszynowego w całym procesie modelowania;

• Wykorzystanie nieregularności ludzkich działań do identyfikacji nietypowych zachowań; oraz

• Zachowanie wszystkich odkryć płynących z adaptacyjnej analizy behawioralnej Featurespace.

Branża kart i płatności:

• Wyższa pewność oceny ryzyka dla wszystkich transakcji (zwiększone wykrywanie oszustw w trakcie transakcji i trafniejsze rozpoznawanie normalnych zachowań ułatwiające akceptację większej liczby transakcji);

• Wzrost wydajności dla wszystkich form płatności, w tym kartą, ACH/BACS, przelewów i P2P oraz szybsze płatności;

• Lepsze wykrywanie oszustw o niewielkiej skali i wysokiej wartości (oraz wykrywanie oszustw o niewielkiej wartości jednostkowej ale dużej skali);

• Mniejsze zastosowanie uwierzytelniania typu „step-up” (dodatkowe poziomy uwierzytelniania dla niektórych funkcji);

• Ścisła dokumentacja zarządzania modelem z możliwą do objaśnienia logiką, sprawiedliwym podejmowaniem decyzji i kodami przyczyny; oraz

• Zapewnianie stabilnego przyznawania oceny w czasie rzeczywistym dzięki wysokiej przepustowości i niskim opóźnieniom odpowiedzi dla kluczowych przedsiębiorstw, nawet w warunkach dużego obciążenia.

Jak dodał Excell: „Ponieważ płatności w czasie rzeczywistym, cyfrowa transformacja i potrzeby klientów wiążą się z błyskawicznym przepływem pieniędzy, naszą rolą jest zapewnienie branży najlepszych narzędzi do ochrony swoich organizacji i konsumentów przed przestępstwami finansowymi. Jestem niesamowicie dumny z naszego zespołu badawczego oraz jego zaangażowania we wprowadzanie innowacji w zakresie uczenia maszynowego w imieniu naszych klientów”.