Machine Learning e Deep Learning contro le frodi, ricerca di Cloudera

Secondo un’analisi di Cloudera, Machine Learning e Deep Learning giocano un ruolo fondamentale nella lotta conto le frodi.

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.

Tuttavia sapere che una transazione, che è stata segnalata come fraudolenta da un sistema basato su regole, è invece 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.

Machine Learning e Deep Learning, come migliorare il sistema

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. Inoltre può essere applicato altrettanto bene all’individuazione delle frodi.

Machine Learning e Deep Learning

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 modi diversi. Gli approcci tradizionali di Machine Learning si rivelano in realtà non ottimali quando si tratta di dati ad alta dimensione. Questo perché non riescono a catturarne la complessa struttura.

È qui che i metodi di Deep Learning possono rivelare il loro valore.
Il rapporto Cloudera esamina una serie di architetture di modelli di Deep Learning, tra cui gli autoencoder, gli autoencoder variazionali, le reti antagoniste generative e i metodi sequenza per sequenza. Quindi analizza come possono essere applicati al compito di rilevamento delle anomalie, confrontandoli in termini di costi di