제퍼넷 로고

사기 탐지에서 머신 러닝의 역할

시간


출처

우리 모두는 인공 지능과 기계 학습이 우리 삶에서 수행하는 역할이 확대되고 있다는 이야기를 너무 자주 반복해서 들었습니다. 사기 탐지 영역도 이에 예외가 아니며, 사기 사례를 완전히 탐지하고 제거할 수 있는 새로운 솔루션을 찾는 기업이 있습니다.

이 기사에서는 전통적인 사기 탐지가 작동하는 방식, 머신 러닝이 사기 탐지를 위한 도구로 효과적으로 작동하는 방법, 일부 단점 및 사기 탐지 머신 러닝 엔진이 설정되는 방식에 대해 자세히 설명합니다.

사기 탐지에 기계 학습을 어떻게 사용할 수 있습니까?


출처

기계 학습이 사기를 감지하는 수단으로 어떻게 그렇게 효과적일 수 있는지 궁금하다면 기계 학습의 핵심이 무엇인지 이해해야 합니다.

반복적으로 스스로 훈련하는 데이터 세트와 짝을 이루는 인공 지능 알고리즘.

이것은 사기 탐지 사용 사례로 아주 잘 확장될 수 있습니다.

머신 러닝을 사용하면 AI 알고리즘을 사용하고 데이터로 교육하여 사기 탐지가 쉽고 효율적으로 발생하도록 합니다. 그런 다음 설정한 규칙을 활용하여 의심스러운 로그인 및 거래, 신원 도용과 같은 다양한 사기 사례가 기계 학습 시스템에서 즉시 선택되도록 할 수 있습니다.

사기 행위를 감지하는 데 도움이 되는 소프트웨어 중 하나는 SEON입니다. 사기를 방지하기 위해 기계 학습을 사용하는 사기 탐지 소프트웨어입니다.

그러나 기계 학습 엔진이 더 빠르고 더 많은 시간을 절약하는 것처럼 보일 수 있는 것처럼 완벽하지는 않습니다. 최상의 결과를 얻으려면 정확성을 높이기 위해 데이터 세트에서 사기 및 비 사기로 간주되는 항목에 플래그를 지정하고 보고해야 합니다. 다양한 사기 패턴을 감지할 수 있도록 기계 학습 엔진을 더 오랜 기간 동안 실행해야 할 수도 있습니다.

머신 러닝과 AI의 차이점 알기


출처

일반인에게 기계 학습과 인공 지능은 상호 교환 가능한 용어처럼 보일 수 있습니다.

그러나 그것들이 정확히 같지 않다는 것을 명확히 하는 것이 중요합니다. 인공 지능은 범위가 훨씬 더 넓은 개념이며 인간이 생각하는 방식을 시뮬레이션하기 위한 컴퓨팅의 모든 노력을 포함합니다.

반면에 머신 러닝은 기계가 과거 데이터를 사용하여 재프로그래밍하지 않고 특정 작업에 대해 스스로 훈련하는 인공 지능의 하위 집합입니다.

흥미로운 부가 설명으로, 머신 러닝에도 딥 러닝이라는 자체 하위 집합/필드가 있다는 점은 주목할 가치가 있습니다. 딥 러닝은 컴퓨팅 알고리즘을 사용하여 인간의 두뇌가 정확한 방식으로 작동하는 방식을 밀접하게 시뮬레이션합니다.

기계 학습이 사기 탐지에 가져오는 이점


출처

기업이 사기 탐지 목적으로 인공 지능, 특히 기계 학습을 도입하는 이유를 알아보겠습니다.

빠르고 더 효율적: 기계 학습 시스템은 일반적으로 다양한 사기 행위를 탐지하는 데 빠르고 효율적입니다. 어쨌든 이들은 인간 사기 탐지 에이전트 및 기타 수동 프로세스보다 훨씬 빠릅니다.

수동 검토에 필요한 시간 단축: 머신 러닝 엔진을 사용하여 데이터 세트에서 사기를 감지하면 모든 데이터 포인트를 검토하는 데 필요한 시간이 크게 줄어듭니다.

데이터 세트가 클수록 정확도가 높아집니다.: 상담원의 경우 데이터 세트가 클수록 고려 중인 데이터의 양이 많기 때문에 더 많은 오류가 발생할 수 있음을 의미합니다. 반면에 머신 러닝 모델은 더 많은 양의 데이터에 대한 교육을 통해 더 빠르고 더 좋아집니다.

확장 가능하고 비용 효율적인 사기 탐지: 단일 머신 러닝 엔진으로 확장 가능한 사기 탐지 요구 사항을 처리하는 비용을 크게 절감할 수 있습니다. 이는 성장을 원하지만 위험 관리와 관련된 비용을 비교적 동일하게 유지하려는 기업에 중요할 수 있습니다.

연중무휴 사기 탐지: 이것은 머신 러닝 사기 탐지 시스템이 테이블에 가져오는 중요한 이점입니다. ML 엔진은 사기 탐지 팀의 많은 수작업을 필요로 하지 않으며 발생 시기에 관계없이 사기 활동을 탐지할 수 있습니다.

기계 학습을 통한 사기 탐지가 여전히 개선의 여지가 있는 방법

머신 러닝이 사기 탐지의 수동 방법에 비해 분명한 이점이 있음에도 불구하고 여전히 몇 가지 함정이 있습니다. 여기에서 논의해 보겠습니다.

  • 제어 수준이 낮음: 블랙박스 모델과 같은 머신 러닝 엔진을 사용하면 인간 에이전트가 알아차리지 못한 채 오류가 서서히 나타날 수 있습니다.
  • 오 탐지: 머신 러닝 엔진은 정확하게 설정된 데이터에 크게 의존합니다. 실제 활동을 사기로 보고하는 경우 기계 학습 모델의 알고리즘은 이를 오탐지 보고를 위한 단서로 사용합니다. 다시 말하지만 사기 탐지를 위해 기계 학습 모델을 설정하는 방법에 따라 다릅니다.
  • 심리적 추론의 부족: 기계 학습 방법은 궁극적으로 알고리즘 기반이며 제공하는 데이터에 의존합니다. 그들은 어떤 비정상적인 활동에서 심리학 기반 관찰을 결코 추론할 수 없습니다. 이를 위해 인간 에이전트에 의한 수동 검토가 항상 선호됩니다.

사기 탐지를 위한 기계 학습 사용 단계


출처

다음은 사기 행위를 탐지하기 위해 기계 학습을 사용하는 동안 관련된 몇 가지 다른 단계입니다.

  • 머신 러닝 엔진 데이터 공급: 모든 ML 사기 탐지 시스템은 진짜 활동과 사기 활동 모두에 대한 패턴을 탐지하기 위해 데이터를 수집해야 합니다. 다음과 관련된 엔진 데이터 포인트를 공급할 수 있습니다.
    • SKU 세부정보
    • 거래 금액 드
    • 사용하는 카드의 종류
  • 이것은 실제 거래와 관련된 정보입니다. 고객이 귀하의 도메인에 연결하는 방법에 대한 다른 데이터를 찾는 데도 유용할 수 있습니다.
    • IP 주소
    • 사용 기기 유형/OS
    • 사용된 VPN/프록시
  • 다시 잘 보정된 기계 학습 사기 탐지 시스템에는 좋은 데이터가 필요합니다. 엔진에 제공하는 정보가 깨끗하고 잘못 태그된 데이터 포인트가 포함되어 있지 않은지 항상 확인하십시오.
  • 기계 학습 모델에 대한 규칙 생성: 사기 탐지 머신 러닝 시스템을 설정하는 두 번째 단계입니다. 여기에는 사기 탐지를 위한 규칙 설정이 포함됩니다. 규칙은 다음 두 가지 유형일 수 있습니다.
    • 단일 매개변수가 있는 규칙: 단일 데이터 포인트만 사용하는 기본 또는 간단한 규칙입니다.
    • 여러 매개변수가 있는 규칙: 이러한 규칙은 본질적으로 더 복잡하고 한 번에 여러 데이터 요소를 사용합니다.
  • 생성된 규칙 검토 및 활성화: 사기 탐지 모델에 대한 규칙을 활성화하기 전에 올바른 방식으로 시스템을 보정할 수 있도록 다양한 데이터 포인트와 관련된 모든 규칙을 철저히 검토해야 합니다.
    또한 원하는 임계값에 따라 규칙에 대해 다른 활성화 트리거 지점을 설정할 수도 있습니다.
  • 알고리즘 훈련: 모델을 설정하는 이 단계에서는 처음 세 단계에서 만든 시스템을 교육하고 피드백 루프를 만듭니다. 사기 행위를 감지할 수 있는지 여부와 관련하여 알고리즘이 수행한 방식에 따라 작업을 표시하고 점수를 매길 수 있습니다.
  • 규칙 테스트를 위해 기록 데이터 사용: 과거의 데이터에 대해 기계 학습 엔진에 대해 설정한 규칙을 실행하는 것은 항상 좋은 생각입니다. 이는 기계 학습 모델의 정확도를 추정하는 데 도움이 되며 모든 과거 데이터에 대한 사기 탐지에서 규칙이 잘 수행되는지 확인할 수 있습니다.

머신 러닝은 앞으로 더 큰 사기 탐지 역할을 할 것입니다.

인공 지능 및 기계 학습 기능이 날이 갈수록 향상되면서 사기 행위 감지 문제에 대한 강력한 솔루션을 제공한다는 사실이 점점 더 분명해지고 있습니다.

이 기사에서 보았듯이 기계 학습 시스템은 몇 가지 단점에도 불구하고 사기 탐지 영역에서 상당한 이점을 제공합니다. 기업들은 빠르고 효율적이며 확장 가능하고 비용 효율적이기 때문에 ML 기반 사기 탐지 엔진으로 눈을 돌리고 있습니다.

출처 : Plato Data Intelligence : Platodata.ai

spot_img

최신 인텔리전스

spot_img