Мобильное приложение журнала
Google Play Apple Store
курс цб на 19.10: USD 63.9542 EUR 71.1299
криптовалют: BTC 7956.3$ ETH 173.02$
lupa
628 просмотров

Машинное обучение и искусственный интеллект во фрод-мониторинге

Машинное обучение и искусственный интеллект во фрод-мониторинге

Что такое ML и AI на самом деле? Насколько обучение – машинное, а интеллект – искусственный, и «интеллект» ли это вообще?
Алексей Голенищев, директор по мониторингу операций и диспутам Альфа-Банка

Маркетинговый ход или необходимость?

В своей предыдущей публикации я уже рассказывал об эволюции карточного мошенничества и мошенничества в дистанционных банковских сервисах, интернет- и мобильном банке, а также о параллельном развитии и совершенствовании фрод-мониторинговых систем. В их теперешнем состоянии на практике основное предпочтение до сих пор отдается так называемым rules based системам, т. е. системам, работающим по заранее заданным политикам и правилам, настроенным на выявление определенных операций и поведенческих моделей мошенников.

Во-вторых, он не требовал больших, а соответственно, дорогих вычислительных мощностей (в условиях жестких требований к подобным business critical системам).Признаюсь, я сам долго был активным сторонником такого подхода к построению и функционированию систем мониторинга. Во-первых, данный формат систем «ловил» до 90+% фрода.

В-третьих, пользовательский интерфейс оператора мониторинга не перегружался «лишней» информацией, отвлекающей внимание и порой мешающей оперативно и корректно принимать верные решения. 

Между тем в последнее время все чаще в ИТ-сфере, в т. ч. в ее банковском направлении, звучат термины ML (Machine Learning) и AI (Artificial Intelligence), т. е. «машинное обучение» и «искусственный интеллект».

В реальности машинное обучение представляет собой не только математическую, но и практическую задачу

Собственно, нечто похожее уже звучало несколько лет назад применительно к системам фрод-мониторинга и называлось Neural Network, или нейронные сети. Иными словами, уже тогда системам придавался некий математический функционал, действующий по аналогии и как бы имитирующий организацию и функционирование биологических нейронных сетей, позволяющий моделировать процессы, происходящие в человеческом мозге.

Не вдаваясь сильно в технологию и математику, отмечу, что в данных компьютерных системах заявлялись возможности решать задачи распознавания образов, моделей, прогнозирование событий и многое другое, а также возможность самообучаться.

Несмотря на приличную долю «маркетинга» в названии и описании функционала таких решений, их возможности действительно были шире традиционных rules based систем. Но нужны ли они были тогда, когда мошенники действовали в основном стандартно и прямолинейно, благодаря чему не было нужды строить громоздкие и перегруженные информацией поведенческие многомерные связи и модели, рассчитывать сложные профили и осуществлять какой-либо нелинейный математический скоринг?! Подавляющая масса фрода отлавливалась просто и эффективно – на основе пары десятков правил и с минимальным количеством персонала операторов-аналитиков. Да и стоимость таких систем зачастую существенно превышала возможные потери от мошенничества, прогнозируемые на ближайшие годы.

Но, как я уже говорил, техника и технологии мошенничества, как и технологии бизнеса, не стоят на месте. Первые следуют за бизнесом по пятам, а иногда и обгоняют его. С появлением все новых продуктов и услуг, с их тотальной «дистанционизацией» и «диджитализацией», с постоянно растущим денежным наполнением банковский цифровой сектор становится все более привлекательным для мошенников. А те, в свою очередь, применяют всё более изощренные технологии и модели поведения, которые становится все сложнее выявлять и предотвращать, не развивая и не совершенствуя средства, технологии и процедуры мониторинга.

И вот в таких условиях в настоящее время на рынок систем фрод-мониторинга выходят системы с функционалом так называемого «машинного обучения» и «искусственного интеллекта».

Итак, давайте попробуем разобраться, что такое ML и AI на самом деле, насколько обучение – машинное, а интеллект – искусственный, и «интеллект» ли это вообще?

Машинное обучение – кто кого учит?

Машинное обучение можно считать одним из базовых подразделов искусственного интеллекта, использующих методы и принципы построения алгоритмов, способных обучаться. Различают два типа обучения. Первый из них – обучение по прецедентам. В нашем случае это прецеденты совершившихся фактов мошеннических операций. Такое обучение основано на выявлении общих закономерностей по часто повторяющимся данным и признакам, характерным для ряда схожих событий.

Второй тип – дедуктивное обучение, которое предполагает формализацию знаний экспертов и их перенос «в компьютер» в виде соответствующих алгоритмов и правил. Но такой тип «обучения» больше относится к «экспертным» системам мониторинга, которые в различной мере в настоящее время уже используются на рынке, а написание правил мониторинга, фильтров, скоринговых алгоритмов и т. п. с их загрузкой в систему – собственно и есть обучение этой системы. С выявлением и экспертной оценкой появляющихся новых типов и видов мошенничества, т. е. новых прецедентов, система постоянно «дообучивается». Поэтому термин машинное обучение в нашем случае – это все-таки обучение по прецедентам, и эти понятия можно считать синонимами.

Нужно сказать, что на практике машинное обучение – не только математическая, но и практическая задача. Одна лишь теория не приводит сразу к методам и алгоритмам, применимым во фрод-мониторинге. Чтобы заставить их корректно работать, необходимо изыскивать, тестировать и применять дополнительные прецедентные признаки и триггеры, подтверждающие и развивающие способность системы эффективно выявлять и предотвращать мошеннические операции. Кроме того, необходимо постоянно обрабатывать и анализировать прецеденты ложных срабатываний системы, также внося необходимые коррективы в процесс ее «обучения».

Говоря об искусственном интеллекте, обыватель интуитивно подставляет в уме не «интеллект», а «разум». А это совсем разные вещи

Иными словами, «машинное обучение» – скорее «обучение машины» экспертом по заранее заданным условиям с ее дальнейшим «самообучением» согласно заложенным в нее правилам и алгоритмам этого «самообучения».

Таким образом можно признать, что функционал машинного обучения действительно присутствует (хотя и в разной степени) и используется в современных системах фрод-мониторинга, которые заявляют о его наличии. Но при этом стоит понимать, что «машина» в лице системы

Продолжение материала содержит полезную для вашего бизнеса информацию…

Подписка позволяет читать все статьи портала

Читайте в этом номере:


Перейти к началу страницы

Подпишитесь на новости индустрии

Нажимая на кнопку "подписаться", вы соглашаетесь с


политикой обработки персональных данных