फसवणूकीच्या शोधात खोल गोता: मशीन लर्निंग कोणती भूमिका बजावू शकते?

कृत्रिम बुद्धिमत्ता (एआय) जग कसे बदलत आहे? आपल्यापैकी बर्‍याच जणांसाठी, गेल्या काही वर्षांमध्ये मोठ्या प्रमाणात उलथापालथ आणि बदल दिसून आले आहेत, कारण मालक आणि कर्मचारी त्यांच्या कार्यास समर्थन देणार्‍या नवीन आणि उदयोन्मुख तंत्रज्ञानाशी जुळवून घेण्यासाठी गर्दी करतात.

एआय इनोव्हेशनवर बरेच लक्ष केंद्रित केले गेले आहे-सानुकूल सेवा समर्थनाच्या क्षेत्रात-वर्कफ्लोमध्ये वाढ करण्यासाठी आणि मदत करण्यासाठी मोठ्या भाषेच्या मॉडेलचा वापर करून, आर्थिक सेवांचे एक क्षेत्र आहे जे बर्‍याचदा दुर्लक्ष केले जाते-अर्थातच, फसवणूकीसारख्या व्यवसायातील जोखमीस सामोरे जाण्यासाठी एकत्रितपणे कार्य करणारे क्रॉस-फंक्शनल टीम आहेत.

फसवणूक, डिझाइनद्वारे, ट्रॅक करणे कठीण होऊ शकते, जटिल सिस्टममधील फायद्याच्या डिझाइनमधील अंतरांमध्ये सतत बदलत असलेल्या वाईट कलाकारांच्या वागणुकीसह. व्यावसायिक, जसे की ज्यांनी पूर्ण केले आहे डेटा सायन्स मधील पदवीधर प्रमाणपत्र ऑनलाईनफसवणूक शोधण्यासाठी कठोर परिश्रम करीत आहेत. वित्तीय सेवा क्षेत्रातील मशीन लर्निंगचा वेगवान प्रसार सामान्य कामगार काय करण्यास संघर्ष करू शकतो: मोठ्या प्रमाणात फसवणूक शोधू शकेल काय?

मोठा व्यवसाय = मोठा डेटा

चला यास सामोरे जाऊ, बँकिंग हा आपल्या दैनंदिन जीवनाचा एक मोठा भाग आहे. पैसे आम्ही ज्या सिस्टममध्ये काम करतो त्या सिस्टमचा एक अमिट भाग आहे; बॅटरिंगचे दिवस गेले; त्याऐवजी, नम्र अननस बोलणे करते.

आपण तारण भरत आहात की नाही हे महत्त्वाचे नाही, कार्डवर पैसे खर्च करणे, आपल्या जीवनास पाठिंबा देण्यासाठी आवश्यक असलेल्या महत्वाच्या गोष्टी खरेदी करणे, शेवटी सर्वकाही व्यवहारासाठी उकळले जाऊ शकते. 2023 मध्ये, द ऑस्ट्रेलिया रिझर्व्ह बँक 2022/23 आर्थिक वर्षात दररोज सुमारे दोन दिवसात सरासरी 730 डिजिटल व्यवहार केल्याचा अहवाल देण्यात आला. कोणत्याही संस्थेसाठी, एखादी व्यक्ती बनवते ते व्यवहार मोठ्या प्रमाणात डेटाचे प्रतिनिधित्व करतात, जेव्हा समस्या उद्भवतात तेव्हा क्रमवारी लावण्यासाठी, स्पष्टीकरण आणि शोधण्यासाठी.

याचा विचार करा: जर सरासरी व्यक्ती दररोज दोन डिजिटल व्यवहार करते, याचा अर्थ वर्षभरात, देशभरातील वित्तीय संस्थांकडून कार्ड ऑपरेटरपासून बँकिंग संस्थांपर्यंत, व्यवहार टर्मिनलपर्यंत दहा अब्ज पेमेंट्सवर प्रक्रिया केली जाते. अनुभवी आर्थिक व्यावसायिकांसाठीदेखील अर्थ लावण्यासाठी, समजून घेण्यासाठी आणि अहवाल देण्यासाठी हा एक अफाट डेटा आहे.

अंदाजे अंदाजे वित्तीय संस्थांसाठी फसवणूकीचे महत्त्वपूर्ण आव्हान आहे 7 677.5 दशलक्ष त्याच कालावधीत सापडलेल्या फसवणूकीत. हे वित्तीय नेटवर्कमधून वाहणा only ्या एकूण पैशांच्या थोड्या प्रमाणात (प्रत्येक $ 1000 डॉलर्ससाठी अंदाजे .2 64.२ सेंटचे प्रमाण) प्रतिनिधित्व करते, परंतु वित्तीय क्षेत्राला शेकडो कोट्यावधी डॉलर्सची ही समस्या दर्शवते, हे एक आव्हान दर वर्षी वाढत आहे.

मशीन लर्निंगसह स्केल समस्यांवर मात करणे

फसवणूक शोधण्याच्या क्षेत्रात, अशा अनेक पद्धती आहेत ज्या पारंपारिकपणे संशयित व्यवहारास शोधण्यासाठी आणि त्यास प्रतिसाद देण्यासाठी वापरल्या जातात. यापैकी सर्वात सामान्य म्हणजे व्यवसाय नियम प्रणाली म्हणून ओळखले जाते, ज्यात बँका संशयास्पद व्यवहार ओळखणारे असंख्य भिन्न नियम स्थापित करतात.

भूतकाळात नियम-आधारित प्रणाली प्रभावी असू शकते, आधुनिक काळात, फसवणूकीच्या शोधण्याशी ते कमी संबंधित होत आहे. हे असे आहे कारण वाईट कलाकार नेहमीच त्रुटी, बॅकडोर्स आणि असुरक्षिततेचे शोषण करण्याचे मार्ग शोधत असतात आणि परिणामी, बँका आणि ग्राहकांना फसवणूकीसाठी त्यांची रणनीती सतत परिष्कृत करीत असतात.

सतत फसवणूकीचे नियम जोडणे आणि बदलणे देखील आव्हाने देखील बनवू शकते; उदाहरणार्थ, नियम गळती झाल्यास, फसवणूक करणारा फसवणूकीच्या नियमांची प्रभावीता कमी करुन फसवणूकीची बँकेची संवेदनशीलता वाढवू शकेल.

एक आदर्श जगात, एक अशी प्रणाली आहे जी उच्च परिष्कृत नियम तयार करू शकते (वैयक्तिक ग्राहकांचे वर्तन समाविष्ट करते) आणि कार्यक्षमतेने आणि अचूकपणे चालू असताना लाखो किंवा कोट्यावधी व्यवहारांसह कार्य करू शकते, हे शेवटी बर्‍याच संस्थांचे सर्वोत्तम सराव लक्ष्य आहे. तिथेच मशीन लर्निंग म्हणून ओळखल्या जाणार्‍या एआय मॉडेल्सचा एक सबसेट येतो.

मशीन लर्निंगचा विचार करा जसे की आपल्या हाताच्या तळहातावर विश्लेषकांची फौज असणे, केवळ वैयक्तिक पातळीवरच नव्हे तर निर्णय घेण्यास आणि निर्णय घेण्यास सक्षम असणे, परंतु मोठ्या प्रमाणात देयकाचे पुनरावलोकन आणि तुलना करण्यास सक्षम असणे. केवळ ट्रान्झॅक्शनल डेटाच नव्हे तर ग्राहकांकडून क्रियाकलाप रेकॉर्ड देखील समाविष्ट करून, मशीन लर्निंग मॉडेल वैयक्तिक पातळीवर ग्राहकांची चांगली भावना प्राप्त करू शकते.

उदाहरणार्थ, मशीन लर्निंग मॉडेल ग्राहकांच्या व्यवहाराच्या नोंदींचा फायदा घेऊ शकतो जेणेकरून त्यांचा सरासरी खर्च, बास्केटचा आकार आणि परतावा मिळू शकेल, ज्यायोगे व्यवहार कायदेशीर किंवा फसव्या दिसतो की नाही हे ठरवून. एखादा ग्राहक जो वारंवार ऑर्डर करतो आणि परतावा उच्च दर नोंदवितो, उदाहरणार्थ, वारंवार आदेश देणार्‍या ग्राहकांच्या तुलनेत संशयास्पद मानले जाऊ शकते.

मशीन लर्निंग मॉडेल्स व्यवहाराच्या पलीकडे, संशयित फसव्या पत्ते किंवा संपर्क तपशील ध्वजांकित देखील पाहू शकतात. जेथे विश्लेषकांकडे फक्त कमी प्रमाणात डेटापॉइंट्ससह कार्य करण्याची क्षमता असू शकते, तेथे मशीन लर्निंग मॉडेल त्यांच्या कार्यास वाढवू शकते आणि समर्थन देऊ शकते, संशयास्पद व्यवहाराच्या क्लस्टर्ससाठी लवकर चेतावणी बीकन म्हणून काम करते.

सराव मध्ये फसवणूक शोध

मशीन शिक्षण व्यवहारात कसे कार्य करते? कार्यान्वित केलेल्या मॉडेलच्या प्रकारानुसार, मशीन लर्निंग अल्गोरिदम फसवणूक ओळखण्यासाठी अनेक प्रकारे कार्य करू शकतात. उदाहरणार्थ, पर्यवेक्षी मशीन लर्निंग मॉडेल संशयास्पद व्यवहार ओळखण्यास प्रारंभ करण्यासाठी एजंट-घोषित कायदेशीर आणि फसव्या व्यवहारांचे इनपुट वापरू शकतात.

उदाहरणार्थ, एएनझेड सारख्या बँका या भूमिकेचा शोध घेत आहेत व्यवहार स्कोअरिंग – आर्थिक डेटाचे क्लस्टर स्कॅन करणे आणि जोखीम स्कोअर नियुक्त करणे, आर्थिक तणावाच्या सुरुवातीच्या टप्प्यात असलेल्या ग्राहकांना ओळखण्यास मदत करणे. इतर अल्गोरिदम देखील ग्राहकांच्या वर्तनास समजण्यासाठी वापरल्या जात आहेत, जेणेकरून संकेतशब्दाशी तडजोड केली गेली तर बँक लॉगिन क्रियाकलाप कोठे संशयास्पद असू शकते आणि लॉक करणे आवश्यक आहे हे ओळखू शकते.

फसवणूकीची तपासणी बर्‍याच प्रकारे होऊ शकते आणि ऑपरेशनल कारणांमुळे बर्‍याच बँका त्यांची रणनीती प्रकाशित न करणे निवडतात. तथापि, हे स्पष्ट आहे की ग्राहकांना फसवणूकीपासून संरक्षण देणे ही सर्वोच्च प्राधान्य आहे, विशेषत: घोटाळेबाज विरूद्ध लढाईत.

फसवणूक विरुद्ध लढा

फसवणूकीविरूद्ध लढा गुंतागुंतीचा आहे, एक दरवाजा बंद असल्याने, दुसर्‍या दरवाजाने उघडण्यास भाग पाडले जाते.

पाऊलदार व्यावसायिक अनेकदा घोटाळेबाज आणि फसवणूक करणार्‍यांविरूद्धच्या लढाईचे वर्णन करतात की चक्रीवादळ किंवा बुशफायर दरम्यान एखाद्याच्या घराचे रक्षण करण्याच्या लढाईसारखेच, निसर्गाने मालमत्तेच्या भोवतालचा निसर्गाचा सामना केला आणि घरमालक स्वत: चे रक्षण करण्यासाठी सर्व काही करतात. कधीकधी, थोडासा चिकाटी आणि नशीब सर्व फरक करू शकतो.

नवीन मशीन लर्निंग अल्गोरिदम आर्थिक क्षेत्रात प्रवेश करीत असल्याने, बँकिंग व्यावसायिकांची पुढील पिढी ग्राहकांना फसवणूकीपासून कसे संरक्षण देईल याचा विचार करणे खूप आनंददायक आहे. कोणास ठाऊक आहे – कदाचित दहा वर्षांत, बँकिंग फसवणूक ही भूतकाळातील एक गोष्ट असू शकते, आज ग्राहकांच्या संरक्षणासाठी ज्या गोष्टी विकसित करीत आहोत त्याद्वारे देखरेख आणि व्यवस्थापित केले जाऊ शकते?