機器學習在實時性欺詐檢測中的應用案例
“機器學習”是一門電腦科學,指的是機器對資料進行學習,並執行一些通常來說需要人類智力來完成的任務。現在,該技術正在快速發展的階段:據Gartner稱,到2022年,超過一半的資料和分析服務將由機器代替人來完成,將會比現在增長10%。
機器學習的出現以及它在面向消費者應用方面的實現,為當今的實時經濟帶來了便利。在受害者受到欺詐行為的影響之前,機器學習在這方面的應用大大降低了欺詐行為的發生機率。事實上,超過60%的人認為等待即將發生的事情將會影響他們對潛在品牌的看法——尤其是在涉及到身份盜用或財務詐騙時,他們更會有這種感覺。
實時決策需要機器學習和人工智慧
機器學習和人工智慧正在對企業、品牌乃至整個行業進行變革。他們有能力大幅降低勞動力成本,能夠產生意想不到的新想法,也可以發現新的模式並從原始資料種建立預測模型。除此以外,他們還能進行資料分析,並實現以前從未實現過的實時自動化決策。當機器學習和人工智慧以自動、低延遲的方式應用於實際資料時,其結果可能會影響到當前正在進行的業務,如果能夠正確利用機器學習和人工智慧,這將會為企業和組織帶來真正的競爭優勢。
機器學習和實時資料分析對高風險業務影響的例子在各行業的欺詐中都能夠看到。以下是機器學習和人工智慧在欺詐行為檢測方面的應用案例。
金融業務中防止身份盜用和詐騙行為
華為是全世界領先的通訊、資訊和技術方案提供商,它使用translytical資料庫對信用卡和移動支付交易進行實時欺詐分析——當你每次刷卡、插入卡或掃描手機時,都會顯示授權或拒絕:該決策由根據歷史欺詐資料來識別欺詐行為的機器學習模型做出來的。這個模型在一個大型資料系統中進行訓練,而這個大型的資料系統接收來自記憶體轉換資料庫的匯出資訊。然後,該模型作為儲存過程或使用者定義的函式載入到資料庫中,這一過程每天都會重複很多次。
機器學習模型中的持續訓練非常重要。由於欺詐者一直在改變欺詐方法,所以我們也要對機器學習欺詐檢測模型進行不斷更新,來保證高質量的決策和低誤報率,因此持續訓練非常重要。機器學習的一個重要特點就是注重預防與檢測。具有反欺詐模型的銀行擁有足夠的資訊來主動發現詐騙案件,而不是事後才發現詐騙案件,這也提高了客戶滿意度,同時降低了財務風險。在欺詐行為發生之前對其進行阻止,這不僅為金融機構節約了成本,還有助於最大限度地減少產品曝光,來保證品牌的價值。
減少數字廣告中的欺詐行為
就像銀行一樣,adtech供應商必須對欺詐行為進行快速的處理。在這裡,肇事者是廣告機器人,裡邊是惡意程式碼,這與人類一樣都具有欺詐性。廣告代理商和廣告商因此每年都會損失數百萬美元,並最終會受到Methbots等的網際網路欺詐環的影響——其品牌名譽受到損害。例如,這些廣告機器人可以通過程式設計欺瞞當前流行的視訊,釋出商在視訊上銷售廣告,通過對滑鼠移動和虛假的社交媒體資訊進行程式設計,來模擬人與視訊的互動。Adtech供應商中另外一個例子是點選欺詐——欺詐者通過讓人們手動或自動點選廣告,達到想要的點選數。
為了檢測和處理實時點選欺詐,廣告商需要對客戶的每次點選進行監控,如果檢測出異常點選,則會迅速做出解決方案。並且,解決方案必須快速、準確、靈活,這也足以應對現代的各種欺詐攻擊行為。檢測並阻止這種欺詐行為需要一個能夠包含大量合法和欺詐性流量的資料庫,並在授權廣告支出費用之前確定哪些流量屬於哪個類別。
利用機器學習和人工智慧,企業能夠在短短五到十毫秒內就可以檢測到異常資料,並根據其資訊做出正確的決策,甚至可以預測結果。總之,人工智慧和機器學習是一個強大的工具,與擁有一個快速記憶體的translytical資料庫一起,它將會在很多領域取得許多重要進展。
以上為譯文。
本文由北郵@愛可可-愛生活 老師推薦,阿里云云棲社群組織翻譯。
文章原標題《How Machine Learning Can Improve Fraud Detection in Real Time》,譯者:Mags,審校:袁虎。
文章為簡譯,更為詳細的內容,請檢視原文。
相關文章
- Hadoop應用的架構:欺詐檢測Hadoop架構
- 機器學習專案實戰----信用卡欺詐檢測(一)機器學習
- 機器學習專案實戰----信用卡欺詐檢測(二)機器學習
- 用深度學習進行欺詐檢測深度學習
- Juniper Research:50%的廣告主使用實時檢測廣告欺詐的服務
- 機器學習案例實戰之信用卡欺詐檢測【人工智慧工程師--AI轉型必修課】機器學習人工智慧工程師AI
- 揭秘Stripe欺詐檢測系統背後的機器學習演算法 - quastor機器學習演算法AST
- 揭祕Stripe欺詐檢測系統背後的機器學習演算法 - quastor機器學習演算法AST
- 經典圖模型欺詐檢測系統BotGraph模型OTG
- T+1 到秒級實時性提升,Apache Doris 在中國郵政儲蓄銀行金融反欺詐領域的應用探索Apache
- 機器學習在交通標誌檢測與精細分類中的應用機器學習
- 反欺詐中所用到的機器學習模型有哪些?機器學習模型
- 機器學習在啟動耗時測試中的應用及模型調優(一)機器學習模型
- 網易雙11“超級工程”:反欺詐系統應用實踐
- 基於圖資料庫 NebulaGraph 實現的欺詐檢測方案及程式碼示例資料庫
- 英偉達GPU加速Cloudera資料平臺提升欺詐檢測能力GPUCloud
- SynchroTrap : 一個月內檢測 200 萬欺詐帳戶
- 邊框檢測在 Python 中的應用Python
- 華為例項:機器學習攻克金融欺詐難題機器學習
- 印度欺詐檢測初創企業TrustCheckr獲天使輪融資Rust
- 就業培訓中的欺詐和無良就業
- 機器學習在金融比賽中的應用機器學習
- 機器學習在高德起點抓路中的應用實踐機器學習
- 在物聯網中應用機器學習機器學習
- 【防止惡意使用者註冊】-- 手機在網狀態 API 的防欺詐應用解析API
- 機器學習演算法在使用者行為檢測(UBA)領域的應用機器學習演算法
- 榕基網路入侵檢測系統在電力行業的應用案例(轉)行業
- 機器學習在客戶管理場景中的應用機器學習
- 機器學習在SAP Cloud for Customer中的應用機器學習Cloud
- 藉助外部幫助微軟在IE中打擊釣魚欺詐(轉)微軟
- 深度學習技術在網路入侵檢測中的應用深度學習
- 金融欺詐資料分析
- 零壹智庫&猛獁:中國金融反欺詐技術應用報告
- Web 應用實時版本檢測,這麼做最方便Web
- 微信域名檢測在推廣中的重要性
- 分析|無感驗證:應用適老化與業務反欺詐的“守門員”
- 大模型在程式碼缺陷檢測領域的應用實踐大模型
- MongoDB在vivo評論中臺的應用案例MongoDB