[数据挖掘新闻] 用于欺诈检测的机器学习如何在不同行业中工作 [推广有奖]

用于欺诈检测的机器学习如何在不同行业中工作
在没有绝对安全保证的世界中，任何组织都可能成为欺诈的受害者。还有非营利性公司-因为数据有时比纯金钱更具分量。越多的公司提出保护方法，骗子就提出更多的方法来欺骗他们。这就像在一个恶性循环中奔跑一样，唯一能够打破这种循环的是预测欺诈企图并加以预防的能力。机器学习能够做到这一点，在本文中，我们将研究ML的欺诈检测在不同行业的工作方式。
使用ML进行不同行业的欺诈检测
每年，一家企业由于欺诈而损失的利润高达5％。看来这是一个很小的数目，这不值得担心，但是从货币上看，这个数字可以达到近40亿美元。也就是说，欺诈者的净收入为40亿美元，而欺诈者经常将其再投资于其他非法活动。这种情况显然需要回应。
Alteryx产品管理高级副总裁Ashley Kramer表示：“ 企业再也无法将机器学习排除在欺诈检测库之外。”
实际上，处理欺诈的后果确实比预防欺诈要困难得多。让我们看一下来自不同业务领域的示例。
用于银行欺诈检测的机器学习
银行部门是最诱人的欺诈业务领域之一，因为它既有实物钱又有许多有价值的客户数据。这是机器学习在该领域的工作方式。
信用卡欺诈检测
大多数金融欺诈案件涉及信用卡欺诈。这是信用卡欺诈类型的分类，并描述了机器学习如何防止每种欺诈。
卡不存在
在实体店购买商品的情况下，可以使用面部识别相机检测欺诈。即，即使在没有卡的情况下进行操作，基于AI的设备也可以区分非法购买者。
信用卡失窃或丢失
机器学习系统可以通过行为分析快速检测到盗窃时就是这种情况。一旦卡交易与所有者的标准行为不同，系统就会发出可能的绑架信号。
帐户接管
在这种情况下，机器学习系统还会分析行为模式，最有可能发现异常-例如，当黑客开始从被盗帐户中进行过多购买时。
安全投资策略
投资始终涉及一定的风险，并且需要处理大量数据才能确定正确的投资载体。机器学习系统是为数据分析而创建的，对于它们来说，这是自然而然的操作。
此外，使用智能算法，金融机构可以根据尽可能多的数据量获得更好的见解。此外，用于制定策略的机器学习意味着能够获得无情绪和个人信念的解决方案，这意味着其正确性的可能性会尽可能提高。
低风险贷款
机器学习系统的工作方式类似，以评估信用风险水平。当客户申请贷款时，系统会提取，评估和系统化有关某个特定人的所有已知信息-从性别和收入水平到Google和社交网络上的搜索历史。在此基础上，该算法得出的结论是，发放贷款的风险是危险的，并且涉及一个人参与非法活动。
洗钱与防止恐怖主义筹资
这两种操作都是在银行的参与下进行的，而且很多时候银行都有信心为守法的客户提供服务。实际上，这种说法可能与事实相去甚远，对数据进行仔细的分析可以帮助确定一个人从事非法活动的可能性。
保险中的AI欺诈检测
保险行业对于欺诈也足够有吸引力，因为总是存在创建人为保险事件以获取报酬的诱惑。这是机器学习如何防止欺诈尝试的方法。
防止欺诈和重复索赔
从名称中可以明显看出这种欺诈的实质：
欺诈者试图通过身份盗窃等方式获得保险利益，
或保险单的所有者打算欺骗公司并连续第二次收到应付款。
在第一种情况下，机器学习可以与行为分析一起使用，并且可以在办公室开会期间识别人脸。在第二种情况下，系统将使用现有数据，并分析特定客户可能企图作弊的可能性-例如，如果已知与其他保险公司有关的先例。
最初意图的检测
可以识别情绪和意图的相机已经用于零售业，但是很显然，它们对于金融和保险行业将更加有用。最重要的是，配备传感器的相机会根据其面部表情识别一个人的意图，而人工智能算法会处理该数据并得出结论，例如在签署保险时特定客户的意图是否诚实合同。
电子商务欺诈检测与预防
这是机器学习如何防止电子商务欺诈的工作方式。
RTO欺诈
在这种情况下，攻击者购买商品，然后根据退货条件退回假货。通过识别面部和意图的相机以及在线购买时的行为分析，可以防止在实体店中进行此类尝试。
身份盗窃
在这种情况下，攻击者会在电子商务平台上闯入用户的帐户，并开始代表他进行购买。在这种情况下，系统会监控行为并显示异常情况。例如，如果攻击者购买了Apple Watch，但在此之前，用户对Internet上的该产品不感兴趣，则可能是可疑的。
代理检测
欺诈者喜欢使用代理服务器来创建来自不同国家的订购的错觉。通常，此尝试还涉及同时的信用卡欺诈或身份盗用。无论如何，机器学习系统都会抓住这些尝试并发出警报信号。
手机欺诈
移动欺诈的尝试呈指数增长，并且发明了越来越多的移动欺诈类型。他们之中有一些是：
帐户接管
呼叫中心欺诈
预付礼品卡欺诈
友善的欺诈行为。
在所有这些情况下，机器学习系统都旨在通过分析用户的行为并实时捕获异常来防止欺诈尝试。
医疗保健欺诈检测系统
在医疗行业也是骗子吸引力，因为在这里他们可以偷是在黑市上很有价值的宝贵的医疗数据，以及有机会敲诈受害者。下图显示了在医疗领域使用人工智能和机器学习的九种方法，然后我们将描述如何使用这些技术来打击欺诈。
人工智能和医疗保健
医疗食谱滥用
在这种情况下，机器学习系统将是一种监督机构，它将监视给予患者的处方的顺序，正确性和数量，特别是在药品可能危害健康并在黑市上有价值的情况下。
医疗数据泄露
正如我们已经说过的，医疗数据特别有价值且容易受到攻击，特别是对于那些患有被社会谴责的疾病（例如艾滋病或吸毒成瘾）的患者。机器学习和人工智能应用程序可以充当个人数据和诈骗者之间的保护墙。
身份欺诈预防
在这种情况下，机器学习和人工智能也可以用于个性识别。一个典型的例子是视网膜识别，例如关于秘密医学发展的电影。此外，这种方法将很有用，例如，在医生使用严格责任制的麻醉药品的情况下-面部识别有助于确保这些药品在负责人的手中。
结论-是否适合我的行业？
如您所见，机器学习和人工智能用于分析数据和检测异常的可能性实际上是无限的和普遍的。这使得这些技术适用于所有认识到没有数据就无法继续前进的企业。最重要的事情是正确确定要为其创建ML和AI解决方案的业务目标，并与可靠的供应商联系。

关注“CDA人工智能学院”，回复“录播”获取更多人工智能精选直播视频！