Синтез моделей виявлення шахрайства в цифрових платіжних системах з використанням алгоритмів автоматичного машинного навчання

Autor: Kolodiziev, Oleh, Mints, Aleksey, Sidelov, Pavlo, Pleskun, Inna, Lozynska, Olha
Jazyk: angličtina
Rok vydání: 2020
Předmět:
Zdroj: Східно-Європейський журнал передових технологій; Том 5, № 9 (107) (2020): Інформаційно-керуючі системи; 14-26
Восточно-Европейский журнал передовых технологий; Том 5, № 9 (107) (2020): Информационно-управляющие системы; 14-26
Eastern-European Journal of Enterprise Technologies; Том 5, № 9 (107) (2020): Information and controlling system; 14-26
ISSN: 1729-3774
1729-4061
Popis: Data on global financial statistics demonstrate that total losses from fraudulent transactions around the world are constantly growing. The issue of payment fraud will be exacerbated by the digitalization of economic relations, in particular the introduction by banks of the concept of "Bank-as-a-Service", which will increase the burden on payment services.The aim of this study is to synthesize effective models for detecting fraud in digital payment systems using automated machine learning and Big Data analysis algorithms.Approaches to expanding the information base to detect fraudulent transactions have been proposed and systematized. The choice of performance metrics for building and comparing models has been substantiated.The use of automatic machine learning algorithms has been proposed to resolve the issue, which makes it possible in a short time to go through a large number of variants of models, their ensembles, and input data sets. As a result, our experiments allowed us to obtain the quality of classification based on the AUC metric at the level of 0.977‒0.982. This exceeds the effectiveness of the classifiers developed by traditional methods, even as the time spent on the synthesis of the models is much less and measured in hours. The models' ensemble has made it possible to detect up to 85.7 % of fraudulent transactions in the sample. The accuracy of fraud detection is also high (79‒85 %).The results of our study confirm the effectiveness of using automatic machine learning algorithms to synthesize fraud detection models in digital payment systems. In this case, efficiency is manifested not only by the resulting classifiers' quality but also by the reduction in the cost of their development, as well as by the high potential of interpretability. Implementing the study results could enable financial institutions to reduce the financial and temporal costs of developing and updating active systems against payment fraud, as well as improve the effectiveness of monitoring financial transactions
Данные глобальной финансовой статистики свидетельствуют, что общие потери от мошеннических транзакций во всем мире постоянно растут. Проблему платежного мошенничества обострит цифровизация экономических отношений, в частности внедрение банками концепции "Bank-as-a-Service", что повысит нагрузку на платежные сервисы.Целью исследования является синтез эффективных моделей выявления мошенничества в цифровых платежных системах с использованием алгоритмов автоматического машинного обучения и анализа Big Data.Предложены и систематизированы подходы к расширению информационной базы для выявления мошеннических транзакций. Обоснован выбор метрик эффективности для построения и сравнения моделей.Для решения задачи предложено использование алгоритмов автоматического машинного обучения, которые позволяют за короткое время перебрать большое количество вариантов моделей, их ансамблей и наборов входных данных. За счет этого в проведенных экспериментах удалось получить качество классификации по метрике AUC на уровне 0.977-0.982. Это превышает эффективность классификаторов, разработанных традиционными методами, при том, что затраты времени на синтез моделей гораздо меньше и измеряются часами. Ансамбль моделей позволил выделить до 85,7 % мошеннических транзакций в выборке. Точность обнаружения мошеннических транзакций также высокая (79 % -85 %).Результаты исследования подтверждают эффективность применения алгоритмов автоматического машинного обучения для синтеза моделей выявления мошенничества в цифровых платежных системах. Причем эффективность проявляется не только в качестве полученных классификаторов, но и в снижении затрат на их разработку, а также в высоком потенциале интерпретованости. Использование результатов исследования позволит финансовым учреждениям сократить финансовые и временные затраты на разработку и актуализацию активных систем противодействия платежном мошенничества, повысить эффективность мониторинга финансовых операций
Дані глобальної фінансової статистики свідчать, що загальні втрати від шахрайських транзакцій у всьому світі постійно зростають. Проблему платіжного шахрайства загострює цифровізація економічних відносин, зокрема впровадження банками концепції "Bank-as-a-Service", що підвищить навантаження на платіжні сервіси.Метою дослідження є синтез ефективних моделей виявлення шахрайства в цифрових платіжних системах з використанням алгоритмів автоматичного машинного навчання та аналізу BigData.Запропоновано і систематизовано підходи до розширення інформаційної бази для виявлення шахрайських транзакцій. Обґрунтовано вибір метрик ефективності для побудови і порівняння моделей.Для розв’язання задачі запропоновано використання алгоритмів автоматичного машинного навчання, які дозволяють за короткий час перебрати велику кількість варіантів моделей, їх ансамблів і наборів вхідних даних. За рахунок цього в проведених експериментах вдалося отримати якість класифікації по метриці AUC на рівні 0.977–0.982. Це перевищує ефективність класифікаторів, розроблених традиційними методами, при тому, що витрати часу на синтез моделей набагато нижче і вимірюються годинами. Ансамбль моделей дозволив виділити до 85,7 % шахрайських транзакцій в вибірці. Точність виявлення шахрайських транзакцій також є високою (79 %–85 %).Результати дослідження підтверджують ефективність використання алгоритмів автоматичного машинного навчання для синтезу моделей виявлення шахрайства в цифрових платіжних системах. Причому ефективність проявляється не тільки в якості отриманих класифікаторів, але і в зниженні витрат на їх розробку, а також у високому потенціалі інтерпретованості. Використання результатів дослідження дозволить фінансовим установам скоротити фінансові і часові витрати на розробку та актуалізацію активних систем протидії платіжному шахрайству, підвищити ефективність моніторингу фінансових операційДані глобальної фінансової статистики свідчать, що загальні втрати від шахрайських транзакцій у всьому світі постійно зростають. Проблему платіжного шахрайства загострює цифровізація економічних відносин, зокрема впровадження банками концепції "Bank-as-a-Service", що підвищить навантаження на платіжні сервіси.Метою дослідження є синтез ефективних моделей виявлення шахрайства в цифрових платіжних системах з використанням алгоритмів автоматичного машинного навчання та аналізу Big Data.Запропоновано і систематизовано підходи до розширення інформаційної бази для виявлення шахрайських транзакцій. Обґрунтовано вибір метрик ефективності для побудови і порівняння моделей.Для розв’язання задачі запропоновано використання алгоритмів автоматичного машинного навчання, які дозволяють за короткий час перебрати велику кількість варіантів моделей, їх ансамблів і наборів вхідних даних. За рахунок цього в проведених експериментах вдалося отримати якість класифікації по метриці AUC на рівні 0.977–0.982. Це перевищує ефективність класифікаторів, розроблених традиційними методами, при тому, що витрати часу на синтез моделей набагато нижче і вимірюються годинами. Ансамбль моделей дозволив виділити до 85,7 % шахрайських транзакцій в вибірці. Точність виявлення шахрайських транзакцій також є високою (79 %–85 %).Результати дослідження підтверджують ефективність використання алгоритмів автоматичного машинного навчання для синтезу моделей виявлення шахрайства в цифрових платіжних системах. Причому ефективність проявляється не тільки в якості отриманих класифікаторів, але і в зниженні витрат на їх розробку, а також у високому потенціалі інтерпретованості. Використання результатів дослідження дозволить фінансовим установам скоротити фінансові і часові витрати на розробку та актуалізацію активних систем протидії платіжному шахрайству, підвищити ефективність моніторингу фінансових операцій
Databáze: OpenAIRE
Externí odkaz: