Una delle molte aree in cui l’apprendimento automatico può fare la differenza in ambito enterprise è la capacità di fare previsioni accurate nel campo dell’individuazione delle frodi. Identificare una transazione come fraudolenta è un requisito critico per le società di servizi finanziari, ma sapere che una transazione che è stata segnalata come fraudolenta da un sistema basato su regole è invece una transazione valida, può essere altrettanto importante. Oltre ad esserci un costo associato a una transazione erroneamente segnalata come frode, questo può erodere la fiducia del cliente, preoccupato dal verificarsi di troppi falsi positivi sul suo conto.
Un approccio per risolvere questo problema è quello di aggiungere un modello automatico di machine learning a seguire il sistema basato su regole al fine di analizzare ulteriormente le transazioni segnalate come fraudolente, ed eliminare un maggior numero di falsi positivi. Un modello ben calibrato e accurato può prevedere quali sono i falsi positivi e ridurre i costi di follow-up, migliorando drasticamente la fiducia dei clienti.
Un approccio che si avvale del Deep Learning ha portato notevoli miglioramenti nelle prestazioni di molteplici campi e può essere applicato altrettanto bene all’individuazione delle frodi che presenta un grande squilibrio tra il numero di transazioni valide e quelle fraudolente, rendendo gli approcci tradizionali di machine learning supervisionato meno efficaci. Un’alternativa è quella di introdurre un approccio basato sul rilevamento delle anomalie: trovare il modello nelle transazioni valide e segnalare come potenzialmente fraudolente quelle che non vi rientrano.
Le anomalie, spesso indicate come outlier, sono dati puntuali o sequenze di dati che non si conformano a una nozione di comportamento normale. L’attività di anomaly detection quindi, consiste nel trovare quei modelli in dati che non aderiscono alle norme previste. La capacità di riconoscere o rilevare comportamenti anomali può fornire indicazioni molto utili in tutti i settori industriali. Segnalare o mettere in atto una risposta pianificata quando si verificano questi casi insoliti può far risparmiare alle aziende tempo, denaro e clienti.
Il rilevamento automatico e la corretta classificazione di qualcosa che non viene considerato anomalo è un problema impegnativo che è stato affrontato in molti modi diversi nel corso degli anni. Gli approcci tradizionali di machine learning si rivelano in realtà non ottimali quando si tratta di dati ad alta dimensione, perché non riescono a catturarne la complessa struttura. È qui che i metodi di Deep Learning possono rivelare il loro valore.
Il nostro rapporto esamina una serie di importanti architetture di modelli di deep learning, tra cui gli autoencoder, gli autoencoder variazionali, le reti antagoniste generative e i metodi sequenza per sequenza, e analizza come possono essere applicati al compito di rilevamento delle anomalie, confrontandoli in termini di costi di formazione, inferenza e storage.
A cura di Cloudera: su come il Deep Learning può giocare un ruolo fondamentale nel rilevare le frodi
