Volledige afhandeling kan via e-mail & telefoon info@sofie.be
Stuur Sofie een e-mail
info@sofie.be

Blog

Machine learning en fraudepreventie

Al in het begin van het millennium wordt computersoftware gebruikt om fraude op te sporen. Er komt echter een dappere nieuwe wereld naar de financiële handel. Het wordt kunstmatige intelligentie of machine learning genoemd en de software zal een revolutie teweegbrengen in de manier waarop bankinstellingen fraude detecteren en ermee omgaan.

Iedereen weet dat fraude een groot probleem is in de bancaire en financiële dienstverlening. Dat is al heel lang zo. Tegenwoordig zijn de inspanningen van banken en andere financiële instellingen om fraude te identificeren en te voorkomen echter afhankelijk van een gecentraliseerde methode van regelgeving die bekend staat als de Anti-Money Laundering (AML)-database.

AML identificeert personen die deelnemen aan financiële transacties die op sanctielijsten staan ​​of personen of bedrijven die zijn aangemerkt als criminelen of personen met een hoog risico.

Hoe AML werkt

Dus laten we aannemen dat het land Cuba op de sanctielijsten staat en acteur Cuba Gooding Jr. een betaalrekening bij een bank wil openen. Onmiddellijk, vanwege zijn naam, wordt het nieuwe account als frauduleus gemarkeerd.

Zoals u kunt zien, is het opsporen van echte fraude een zeer complexe en tijdrovende taak en kan het resulteren in valse positieven, wat een heleboel problemen veroorzaakt voor de persoon die ten onrechte is geïdentificeerd, evenals voor de financiële instelling die de valse identificatie heeft gedaan.

Dit is waar machine learning of kunstmatige intelligentie om de hoek komt kijken. Machine learning kan deze ongelukkige fout-positieve identificatie voorkomen en banken en andere financiële instellingen besparen honderden miljoenen dollars aan werk dat nodig is om het probleem op te lossen, evenals de resulterende boetes.

Hoe machine learning valse positieven kan voorkomen

Het probleem voor banken en andere financiële instellingen is dat frauduleuze transacties meer kenmerken hebben dan legitieme transacties. Machine learning stelt de software van een computer in staat om algoritmen te creëren op basis van historische transactiegegevens en informatie van authentieke klanttransacties. De algoritmen detecteren vervolgens patronen en trends die te complex zijn voor een menselijke fraude-analist of een ander soort geautomatiseerde techniek om te detecteren.

Er worden vier verschillende modellen gebruikt die de cognitieve automatisering helpen om het juiste algoritme voor een specifieke taak te creëren. Bijvoorbeeld:

  1. Logistieke regressie is een statistisch model dat kijkt naar de goede transacties van een detailhandelaar en deze vergelijkt met zijn terugboekingen. Het resultaat is de creatie van een algoritme dat kan voorspellen of een nieuwe transactie waarschijnlijk een terugboeking wordt.
  2. Beslissingsboom is een model dat regels gebruikt om classificaties uit te voeren.
  3. Willekeurig bos is een model dat meerdere beslisbomen gebruikt. Het voorkomt fouten die kunnen optreden als er maar één beslisboom wordt gebruikt.
  4. neuraal netwerk is een model dat probeert te simuleren hoe het menselijk brein leert en patronen ziet.

Waarom machinaal leren de beste manier is om fraude te beheersen

Het analyseren van grote datasets is een veelgebruikte manier geworden om fraude op te sporen. Software die gebruik maakt van machine learning is de enige methode om de veelheid aan data adequaat te analyseren. Het vermogen om zoveel gegevens te analyseren, er diep in te kijken en specifieke voorspellingen te doen voor grote hoeveelheden transacties, is de reden waarom machine learning een primaire methode is om fraude te detecteren en te voorkomen.

Het proces resulteert in snellere bepalingen, zorgt voor een efficiëntere aanpak bij het gebruik van grotere datasets en biedt algoritmen om al het werk te doen.

Bron: Robert K Janis

  • Gerelateerde Tags: