为什么机器学习最适合2020年的欺诈预防?脸书优酷Instagram的

T坏消息是欺诈活动正在增加。好消息是 ML(机器学习) 有保障您辛苦赚来的资产。 “正如BBC欺诈解决方案专家Aslam Mohammed所说。”

为了进一步对此进行解码,我们必须首先了解机器学习。 机器学习是一种流行的技术趋势,它有助于 全球欺诈形势—引用 支付生态系统日益复杂的威胁。欺诈者主要攻击“阻力最小的路径”,这反而增加了对机器学习的需求。

机器学习用途 人工智能 无需编程即可运行软件应用程序以预测结果。

机器学习具有多种功能-例如,电子邮件垃圾邮件检测,图像识别和产品推荐,例如电子商务站点,业务流程自动化(BPA)和预测性维护。

机器学习的类型:

机器学习是关于算法如何学会变得准确的预测。我们可以将机器学习分为四类:

  1. 监督学习
  2. 无监督学习
  3. 半监督学习
  4. 强化学习

经典机器有助于学习,使其预测更加准确。

数据科学家选择的算法类型取决于目的&我们要选择的数据

  • 监督学习 由于在这种类型的机器学习中对整个过程进行监督,因此需要对算法进行标记训练以评估相关性。

数据科学家通过这种机器学习为算法提供带有标签的训练数据,并定义变量。

  • 无监督学习 这种类型的机器学习涉及对未标记数据进行训练的算法。这些算法遍历数据集以寻找有意义的连接。训练数据算法,并对预测或建议输出进行预管理。
  • 半监督学习- 这种方法可帮助机器学习将前面两种类型的内容结合在一起。数据科学家可能会提供一种算法,该算法主要带有标记的训练数据,但是该模型可以自由地独立探索数据并发展其对数据集的理解。
  • 强化学习。 它很受欢迎,可以完成一个多步骤的过程来清楚地定义规则。俗称为等待和监视技术。

数据科学家对算法进行编程,以完成任务并根据输出给出正或负线索。而算法决定要采取的步骤。


过度浏览 机器学习应用程序的想法


简要说明了机器学习的工作原理:但是我们在此页面上讨论机器学习在欺诈检测中的应用。

多年来,全球网络安全一直是该镇的话题。特别是在电子商务中,网络威胁案件困扰着在线业务的扩散。

 

尽管有所有安全机制,但欺诈者仍可以突破并窃取。以微秒为单位。 

那么什么是治疗方法?机器学习对此有答案。 

即使在COVID-19阶段,欺诈者仍以恶意意图继续存在,并以捐赠的名义使无辜的订户受害。网络钓鱼达到顶峰。因此,我相信这将帮助全球公司使用ML(机器学习)的安全机制来完善支付网关。

 

让我们知道为什么 ML功能套装 最适合 欺诈识别 :

  • 超级快

如果您想遏制欺诈者,则行动计划的速度至关重要。如果您的方法迟钝,那么在不到一秒钟的时间内,欺诈者可能会闯入。

打开灯泡时,您无需等待。它立即亮起。ML非常适合您,因为它可以对数千个查询进行多次实时分析,同时将结果与最佳结果进行比较。几乎不需要毫秒。

它始终在查询过程中以寻找最佳结果。它有助于分析客户的行为,以便在出现异常情况时可以阻止或标记付款以进行审核。

  • 可扩展

蓬勃发展的在线业务帮助公司增加了交易量。在仅规则系统中,增加付款和客户数据量会给规则库的扩展带来更大压力。然而,在机器学习中则相反-越多的数据越好。

用一个比喻来说,“一辆500 cc的摩托车(子弹头)在长距离行驶时能提供更高的效率”。

机器学习系统是一个混合袋,因此可以改进更大量的数据集。好&不好真实客户和欺诈客户。这意味着该模型可以更快地找出行为之间的差异和相似之处,并预测未来交易中的欺诈行为。

  • 准确性

对人类来说,闯入非直观模式或微妙趋势并不容易。 ML可以一起形成新的方式。我们知道欺诈分析师也知道这样做。

机器学习可以更好地解释正常行为。因此,如果发现任何恶意活动,就会举起单位。当尚无扣款时,它有助于识别网络。它有助于识别可疑信号。它为复制和粘贴信息提供了一个不错的主意。


相关博客: 机器学习的发展如何成为COVID-19和其他大流行疾病的障碍


这些功能有助于在欺诈检测算法中进行无监督学习。

如果欺诈是任何异常活动或行为,请不要感到惊讶。无监督学习有助于自我学习,以发现交易中的隐藏模式。它包括在发现远程和揭露欺诈模式方面的自我学习。

 

无监督机器学习如何工作?

这种类型的机器学习算法不需要标记数据。无监督机器学习算法不需要数据标签。他们筛选未标记的数据,以查找用于将数据点分组为子集的模式。大多数类型的深度学习,包括 神经网络,无监督算法。无监督学习算法更适合以下任务。

  • 聚类。将数据集分成几组以求现实。
  • 异常检测。 识别数据集中的异常数据点
  • 协会挖掘. 捆绑中随机标识数据集中的项目集。
  • 降维. 数据集中的变量减少

资料来源:xenonstock.com

可能的渠道 

  • 新交易的高流量,例如客户在一小时内添加了10张新的支付卡
  • 消费者下了很多高价值商品的订单,例如高档酒,昂贵的服装
  • 网上诱骗e。技术。电子邮件地址中的帐户名或持卡人姓名,粗鲁/亵渎性词语或威胁性词语之间不匹配
  • 从特别是从未知位置收到的订单,运送到已知的欺诈热点或邮政信箱而不是常规的住宅地址

这样的例子被标记为高风险-那么当机器做出预测时会发生什么?

  1. 输入数据                     
  2. 提取功能             
  3. 训练算法    
  4. 建立模型


1)输入数据

如果有更多数据,欺诈检测技术将蓬勃发展。

在有监督的机器学习过程中,数据可以隔离为良好(真正的客户从未犯过欺诈)和错误(具有退款或关联为欺诈者的客户)。

 

2)提取功能

它描述了客户的行为&模式,而欺诈行为被称为欺诈信号。

我们将功能分为五个主要类别,具有数百或数千个独立特征:

 

  • 身份: 基本详细信息,例如客户电子邮件地址中的位数,帐号的有效性,客户使用的设备数量,客户IP地址的欺诈率。

最初几周的交易失败,平均订单金额,篮子风险商品

  • 付款 方法: 发行银行的欺诈率,客户名,姓名,其他国家的卡之间的相似性。

 

  • 地点: 送货地址进行通信以匹配账单地址;运送国家/地区到达客户的IP地址所在的国家/地区以及欺诈行为的威胁。

  • 网络: 电子邮件频率,电话号码或在网络(客户网络)中共享的付款方式。

 

3)训练算法

解决复杂的问题需要一种算法-一组规则。例如,他们正在解决数学方程式或编程任务。它使用功能描述的客户数据进行预测,例如欺诈/非欺诈。最初,这些数据用于算法:在线卖家的历史数据,称为训练集。

此培训集中的欺诈行为越多,则越好,以便该机器具有许多可供学习的示例。

 

4)建立模型

培训完成后,您将具有特定于业务的模型,通过该模型可以在一毫秒内检测到欺诈。密切关注模型,以确保模型表现正常,并且正在改进。它有助于为系统中的每个客户端改进,更新和上载新模型,从而始终关注新的复制技术。

 

 


相关博客:支持中小企业的前7名机器学习应用程序开发公司&2020年采用企业ML


您如何判断模型是否正常工作?

训练完成后,您可以检查模型是否正常工作,其中包含一些从未出现过的欺诈数据信息。该模型可以准确诊断欺诈行为,并将其部署以检测在线业务的交易。最近日期的自动常识分析表明,没有欺诈标签可确保模型运行正常。

在某些欺诈情况下,有助于选择模型这是示例列表:

  • 新付款方式的冗余,例如客户在一小时内添加10张新的支付卡。
  • 一位顾客正在显示高价值商品订单的迹象,例如奢侈的酒,昂贵的服装。
  • 从可疑地点提出的订单,运送到已知的欺诈热点或邮政信箱而不是居住地址

这些提到的示例被标记为欺诈–那么当机器做出预测时会发生什么?

结论

借助机器学习,我们现在有了更多途径来遏制进行数字支付的恶意活动。通过一种特定的机制,可以在增加安全性的同时加强支付网关。

如果您正在寻找印度的顶级IT公司,那么 您可以选择ValueCoders来租用编码器或雇用机器学习应用程序开发人员。它是 AI和ML应用程序开发行业提供世界一流的机器学习应用程序,以促进您的业务成功.

 

 

艾米拉·谢尔顿(Amyra Sheldon)

我是ValueCoders的技术作家兼IT分析师Amyra Sheldon。我对所有最新技术(例如Android(Kotlin),React Native,Flutter,Xamarin,IoT,AI,ML,Blockchain,AR / VR,人工智能等)的写作颇有见识。

分享
由...出版
艾米拉·谢尔顿(Amyra Sheldon)

最近的帖子

2021年最佳React Native应用开发公司

反应本机是改变了移动应用程序开发的最佳框架之一… 阅读更多

4天前

2021年将掀起的顶级电子商务趋势

如果您属于想要重塑电子商务的业务领域,则会带来沉重的负担… 阅读更多

5天前

WooCommerce CMS如何帮助您发展电子商务业务?

确实,用于电子商务的WooCommerce就像触摸金子一样!它可以将您的失败业务变成… 阅读更多

6天前

节点JS vs ReactJS:下一个项目应该选择什么?

包括Airbnb,Slack和Instagram在内的大约11810家公司目前在其技术中使用JavaScript … 阅读更多

2个星期前

抢夺顶级软件开发框架,工具&2021年的图书馆(信息图)

每逢新年,我们都会遇到各种各样的新事物&创新的软件开发技术/工具,库… 阅读更多

2个星期前