OTS - A Featurespace elindítja az Automated Deep Behavioral Networks-öt (1. rész)
2021. February 26. 12:43
London, Atlanta és Szingapúr, 2021. február 26., péntek (Business
Wire/OTS) - A vállalatokat sújtó pénzügyi bűncselekmények
megelőzése terén globális vezetőnek számító cég fokozott védelmet
biztosító megoldást vezet be a bankkártya- és fizetési tranzakciók
biztonságosabbá tétele érdekében - A Featurespace ma bemutatta a
bankkártya és fizetési ágazat számára fejlesztett Automated Deep
Behavioral Networks-öt (automatizált, mélytanuláson alapuló,
viselkedéselemző hálózatok), mely fokozottabb védelmet biztosít a
fogyasztók számára a becslések szerint 2020-ban 42 milliárd USA
dolláros veszteséget okozó csalások, számlafeltörés, bankkártyával
való visszaélések és fizetési csalások ellen.
Ennek a fejlesztésnek a jelentősége jóval túlmutat a
vállalatokat sújtó pénzügyi bűnözés problémájának kezelésén.
Megoldásunk minden kétséget kizáróan a gépi tanulás következő
generációját képviseli" - jelentette ki Dave Excell, a Featurespace
alapítója.
A találmány
A mélytanulási technológiában áttörést jelentő találmány a gépi
tanulást alkalmazó platformok architektúrájának és kiépítésének
teljesen új megközelítését alkalmazza. Az Automated Deep Behavioral
Networks egy újfajta architektúra, amely kizárólag az ARIC™ Risk
Hub legújabb verzióján keresztül elérhető rekurrens neurális
hálózatokon alapszik.
A kihívás és a felfedezés
A mélytanulási technológiának különféle alkalmazási területei
léteznek, mint például a természetes nyelvek feldolgozása a mondat
következő szavának megjóslása céljából, a csalások megelőzése
érdekében azonban alkalmazása a bankkártya- és fizetési csalások
észlelése során ez idáig nem került optimalizálásra azzal a céllal,
hogy védelmet nyújtson a vállalatoknak és a fogyasztóknak a
bankkártya- és fizetési csalások ellen. Találmányunkkal ezt a
kihívást sikerült leküzdenünk.
A tranzakciókra az intermittencia jellemző, ezért az idő
kontextuális értelmezése kulcsfontosságú a viselkedés előrejelzése
szempontjából. Korábban ahhoz, hogy a csalások megelőzése céljára
hatékony gépi tanulási modelleket építsenek ki, az adattudósoknak
mélyreható szakértelemmel kellett rendelkezniük a legfontosabb, és
egyben legmunkaigényesebb lépés elvégzéséhez: a megfelelő
adatjellemzők azonosításához és kiválasztásához.
A Featurespace Research azzal a céllal fejlesztette ki az
Automated Deep Behavioral Networks-öt, hogy automatizálja a
jellemzők feltérképezését és olyan memóriacellákat vezessen be,
amelyek megfelelően értelmezni tudják az idő jelentőségét az
ügyletfolyamokban, ezzel tovább javítva a vállalat piacvezető
teljesítményt nyújtó Adaptive Behavioral Analytics (adaptív
viselkedésanalizáló) termékét. A csalás, számlafeltörés és a
bankkártya- és fizetési csalások elleni legjobb védekezés az, ha a
csalásra még azt megelőzően fény derül, mielőtt az áldozat pénze
kikerül a számlájáról. Az alábbi csoportoknak az Automatic Deep
Behavioral Networks többek közt a következő előnyöket biztosítja:
Fogyasztók:
- Lehetővé teszi, hogy a valódi tranzakciókhoz kevesebb
hitelesítésre/azonosításra legyen szükség; valamint
- Automatikusan azonosítja a csalást, számlafeltörést és a
bankkártya- és fizetési csalásokat, még mielőtt az áldozat pénze
kikerül az áldozat számlájáról.
Adattudósok:
- Automatikusan felfedezi a jellemzőket a tranzakciós
eseményekben;
- A gépi tanulási logikát keresztülviszi a teljes
modellezési soron;
- Figyelembe veszi az emberi cselekvések rendszertelenségét
annak érdekében, hogy azonosítsa az anomáliának számító
viselkedést; valamint
- Megőrzi a Featurespace Adaptive Behavioral Analytics
terméke által gyűjtött összes adatot.
Bankkártya és fizetési ágazat:
- Javítja a kockázati besorolás bizonyosságát az összes
tranzakció esetében (javul a csalások észlelése a tranzakció
folyamán és pontosabban azonosítható a valódi viselkedés, miáltal
elősegíti nagyobb számú tranzakció elfogadását);
- Teljesítménynövelést biztosít az összes fizetési típus
esetében (ideértve a kártyás és ACH/BACS fizetéseket, az
átutalásokat, a P2P fizetéseket), valamint gyorsabb fizetéseket;
- Javítja a nagy értékű, kis volumenű csalások felderítését
csakúgy, mint a kis értékű, nagy volumenű csalások észlelését;
- Csökkenti az erősebb (step-up) autentikációk számát;
- Megbízható modellirányítási dokumentációt biztosít,
érthető logikával, méltányos döntéshozással és indoklási kódokkal;
valamint
- Stabil, valós idejű értékelést nyújt nagy
áteresztőképességgel és alacsony latenciájú válaszidőkkel az üzleti
folyamatok terén kulcsfontosságú szerepet játszó vállalkozásoknak,
még csúcsterhelés esetén is.
Excell hozzátette: "Mivel a valós idejű fizetések, a digitális
átalakulás és a fogyasztói igények azonnali pénzmozgást követelnek
meg, a mi szerepünk annak biztosítása, hogy az ágazat rendelkezzen
az ágazati szereplők és a fogyasztók pénzügyi bűncselekményekkel
szembeni védelméhez a legjobb eszközökkel. Rendkívül büszke vagyok
kutatói csapatunkra és az ügyfeleink érdekeit szolgáló, innovatív
gépi tanulási termékek kifejlesztése iránti elkötelezettségükre."
(folyt.)