使用你的数据停止信用卡欺诈:第一资本和其他最佳实践

欺诈是一个昂贵的和日益严重的问题研究估计1美元的欺诈成本3.36 x公司退款,替换和运营成本。增加了痛苦,据专家,没有足够的法规来保护小企业从退款和欺诈造成的损失。尽管显著提高信用卡诈骗,风险管理技术有改编,骗子还能找到漏洞并利用系统。信用卡公司,欺诈的威胁卡的使用是一个常数,其结果准确的信用卡欺诈检测系统的必要性。所有组织都是诈骗和欺诈活动的风险,但这种风险尤为繁重的金融服务。“威胁来自内部或外部来源,但效果可能是毁灭性的——包括消费者信心丧失,监禁,甚至公司的垮台,“说Badrish Davay,机器学习数据工程和领导人在首都。CNBC报告美国是世界上最容易发生信用卡诈骗的国家。

使用机器学习的欺诈检测
不过,这并不是都是坏消息。随着现代进步,企业能够保持领先地位的威胁利用数据和机器学习。作为一个技术在最近的谈话数据+人工智能峰会,我们能够得到一个窥第一资本是如何使用数据和人工智能(AI)地址欺诈。Badrish Davay从资本一个共享如何利用先进的ML算法来保持领先的攻击者,与此同时,不断学习新方法系统是被剥削的。“为了更动态地检测欺诈性交易,一个可以训练毫升模型的数据集,包括信用卡交易数据,以及卡和持卡人的人口统计信息。第一资本使用砖来实现这一目标,”Davay指出。

第一资本分析所有的欺诈活动了解寻找信用卡欺诈。Davay提出6他们问,“W”问题谁,什么时候,在哪里,为什么如果吗?——用于发现欺诈活动的趋势。Davay强调卡信息可能被泄露的各种场景和异常检测以及数据如何帮助识别欺诈。例如,他共享地理空间数据如何检测使用偷来的信用卡信息时远离它的实际位置,以及时态数据以确定欺诈。

Davay也解释说,当客户身体失去一张牌,但没有通知组织的上下文信息(如工作时间、消费习惯等)可以帮助确定交易是否常规或异常。Davay的关键是,我们应该能够将多个独立的信号结合在一起得到一个更广泛的上下文在牵引和人口统计数据。数据的可用性和ML的进步,预防欺诈是一个关键领域毫升正在改变工作流程和结果,使组织保持领先的技术越来越先进的罪犯。

今天的企业正面临着日益复杂的敌人攻击,响应和变化战术极其迅速。由于动力学的欺诈,组织需要AI不断适应不断变化的行为和模式。人工智能带来规则不敏捷。数据分析和ML,企业可以获得成功的威胁。下面是一些关键原因承担欺诈毫升是恰当的:

• 欺诈隐藏在大量数据:检测欺诈行为的最有效的方法是看最终用户的整体行为。看着事务或订单是不够的,我们需要遵循的事件之前和之后的事务。这个高潮很多结构化和非结构化数据,最好的方法检测欺诈行为在这种大量毫升和人工智能。
• 欺诈发生迅速:毫升实时系统更新时,这些知识可以用在毫秒更新欺诈检测模型和防止攻击。
• 欺诈总是改变:骗子不断调整自己的策略,使他们人类很难检测静态的基于规则的系统,不可能,不学习。然而,毫升,可以适应不断变化的行为。
• 欺诈表面看起来不错:人眼,欺诈和正常交易不出现任何不同于对方。毫升有更深入、更细致的查看数据的方式,这有助于避免假阳性。

Davay讨论了如何MLuses统计模型,如分类器和逻辑回归看过去和异常结果预测未来的结果。一毫升系统学习,可以预测和实时数据做出决定。在他的演讲中,Davay概述一个好的欺诈防范模型需要有:

• 一站式服务为用户培训模型和安排执行
• 实时检测
• 深入分析和建模工具,利用强大的毫升深度学习和神经网络等如果数据分析和测试新的假设
• 遵守公司的安全政策和合规要求
• 立即通知服务通知持卡人的可疑活动
• 与企业系统的无缝集成

MLflow预防欺诈
Davay砖的价值和突出显示MLflow在他们的欺诈预防工作。他谈到了平台和不同的数据和欺诈团队如何协bob体育客户端下载作开发和运行实验使用砖与团队。“即使他们在团队中协作共享实验和数据,我们可以实施严格的安全措施为了数据隐私的尊重,和每个实验都可以有自己的计算环境和要求,“Davay说。他把砖称为“一站式的[他们的]科学数据和模型,使它适合数据科学项目。“当团队已经确定特征预测是否事务是欺诈,他们通过这些数据点砖的托管环境,在那里他们可以执行功能工程、数据预处理和数据分割成测试和训练集。然后他们使用各种监督或无监督ML算法,如支持向量机、决策树和随机森林,训练模型。他们确定表现最好的模型和使用砖Lakehouse平台bob体育客户端下载直接在平台内解出欺诈。bob体育客户端下载欺诈检测lakehouse是一个有利的环境,你可以了解更多我们的解决方案加速器BOB低频彩在这里。

Davay提到“MLflow砖内的生态系统是一个很好的特性,我们可以使用,因为它有许多优点发展毫升工作流无缝管道。“MLflow允许资本一个跟踪他们的ML实验从端到端的整个毫升模型生命周期。在说话,直接从GitHub Davay提到他们可以运行实验而不需要通过代码,可以直接部署和火车模型序列化时利用包如Python的pickle模块,Apache火花,MLflow。然后他们部署序列化模型和它作为一个API通过利用MLflow服务。

MLflow和microservices
Davay也谈到了在MLflow microservices和为什么他们是有用的。microservice是通向一个特定应用程序的功能方面。它帮助团队像资本开发应用程序的一个标准化的一致的方式。Microservices允许资本一个部署功能的应用程序相互独立的。它有助于抽象功能,同时支持团队构建一个可重用的和统一的方式与应用程序交互。此外,它允许团队组成复杂的行为通过结合各种其他microservices在一起。从本质上讲,它赋予企业使用任何技术堆栈在前端后端,同时保持兼容性。

第一资本的原始数据存储在Amazon S3,他们迅速整合S3和之间的交互框架通过无缝砖和可以大规模毫升模型训练、验证并通过MLflow部署管道。球队训练和验证模型在AWS和部署自定义集群通过SageMaker直接利用MLflow api。MLflow不仅局限于人工智能,但可以嵌入任何的业务逻辑(砖所规则+人工智能加速器),因此,得益于microservices E2E治理和交付原则。

把它放在一起
Davay共享砖允许资本一个如何查询和部署模型和管理和清理部署时使用MLflow api在AWS的生态系统。此外,他们可以确保安全的保障和条件通过AWS SSO访问。

基于观察从资本和其他一个客户,有几个欺诈预防使用数据和人工智能的好处包括:

• 减少人工审查的必要性。毫升自动化过程中行为可以学到在个体水平和检测异常。
• 能够防止欺诈案件不阻碍用户体验。人工智能带来自动化流程无缝和防止欺诈用户事先没有加重。
• 更低的运营成本比其他方法。用更少的体力劳动和自动化、数据和人工智能需要更少的资源和预防损失相关的欺诈行为。
• 释放团队的时间专注于更多的战略任务。大多数公司的商业欺诈检测,和一个毫升欺诈防范过程可以帮助他们专注于核心业务。
• 迅速适应。加上人才和经验,数据和AI共同努力,不断地学习和适应新的用户行为和趋势。

时实施数据和人工智能建立客户关系,推动更高的股本回报率,欺诈行为应被视为首要任务。遏制虚假或恶意的行为——从欺诈性卡交易——是减轻负面的收入影响的关键。更多动态检测欺诈性交易,资本使用毫升和信用卡交易信息,以及信用卡和人口信息,得到一个全面的视图来识别异常。数据驱动的创新者如Capital One的欺诈检测铺平了道路,提供一个成功的模型跟随保护客户和业务。

开始使用欺诈防范砖

得到一个启动我们的预先构建的代码和导游欺诈解决方案加速器

看到我们所有的金融服务解决方案