Belföldi hírek

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.)