Каспрук І.І., 2020
ЛНУ імені Івана Франка, ЕКФ-33с
З кожним роком стрімко збільшуються обсяг інформації, а також швидкість її зміни. Обробка та управління великими масивами даних людським інтелектом є малоефективною, а використання традиційних обчислень стає дедалі важчим процесом. На допомогу приходять штучні нейронні мережі (ШНМ). На сьогоднішній день, використання штучних нейронних мереж у фінансовій сфері у задачах інтелектуального аналізу даних управлінських процесів є достатньо успішним [1, c. 5]. Штучні нейронні мережі – це мережа комп’ютерних процесів, взаємодія яких побудована за образом процесів навчання, що відбуваються в людському мозку. Принцип нейронної мережі мотивований функціями мозку, особливо розпізнаванням образів і асоціативної пам'яті. Нейронна мережа розпізнає подібні зразки, прогнозує майбутні значення чи події на основі асоціативної пам'яті зразків, за якими вона була вивчена.
Застосування нейронних мереж є досить потужним методом прогнозування, який дозволяє відтворювати досить складні залежності. Важливою перевагою використання нейронних мереж для обробки великих масивів даних є можливість навчання нейронної мережі за еталонними зразками, значне підвищення швидкодії процесу в порівнянні з традиційними математичними методами, а також зміна топології мережі (підбір вхідних параметрів, які гарантують отримання моделі найбільш високої точності), виходячи з вимог розв'язуваної задачі[5]. Наприклад, ми можемо застосувати штучні нейронні мережі для класифікації клієнтів за ступенем ризику надання їм позики. Для цього відповідній моделі вказують певні характеристики клієнта (платоспроможність, історія виплат тощо) і на основі машинного навчання мережа прогнозує ризики надання позики.
Також для протидії шахрайства з кредитними картками ми можемо використати ШНМ. Набір даних містить трансакції, здійснені кредитними картками у вересні 2013 року європейськими власниками карт. У цьому наборі даних представлені трансакції, що відбулися за два дні, де ми маємо 492 шахрайства з 284 807 транзакцій, які були виявлені за допомогою ШНМ [2]. Щоб виявити шахрайство за нейронною мережею, нам необхідний чіткий алгоритм, а також великий масив банківських даних за допомогою якого буде проведено глибинне навчання (deep learning) цієї нейромережі. Щоб уникнути типової проблеми перенавчання нейромережі, необхідно чітко сформувати задачу.
Глибинне навчання дозволяє створювати алгоритми, які обробляють великі набори даних з багатьма змінними та допомагають знайти ці приховані кореляції між поведінкою користувача та ймовірністю шахрайських дій. Навчання продовжується до тих пір, поки не буде досягнуто мінімальної похибки з розпізнаванням шахрайської операції. Дані повинні бути добре згрупованими, з мінімальними відхиленнями, щоб модель змогла себе добре і чітко натренувати. Після навчання нейромережі тестуються в різних обставинах, вдосконалюються і є готовими до використання. Ефективно використовуючи нейронні мережі, банки можуть швидше та ефективніше виявляти шахрайське використання картки, але це не значить, що ШНМ є універсальними.
Іншим прикладом використання ШНМ для протидії нелегальним фінансовим операціям є Chemical Bank. Банк застосовує нейромережеву систему фірми Neural Data для попередньої обробки транзакцій на валютних біржах ряду країн, відстежуючи підозрілі операції. Автоматизовані системи ведення портфелів з використанням нейромереж є на озброєнні і у Deere & Co LBS Capital, причому експертна система об'єднується приблизно з 900 нейронними мережами [3]. В деяких випадках, традиційні нейронні мережі не можуть пояснити, чому вони прийшли до того чи іншого вирішення, а надто в питаннях фінансової безпеки, що є негативним фактором. Їх застосування потребує чіткої цілі.
За допомогою машинного навчання нейромережі також можуть розпізнавати фото, голос тощо. Алгоритми розпізнавання зображень можуть використовуватися для запобігання шахрайству на стадії особистої ідентифікації. Оборот наркотиків потребує ряду перевірок і існуючі механізми нагляду не є ідеальними для вирішення цього питання. Машинне навчання може вирішити проблему перевірки ідентифікації, застосовуючи розпізнавання обличчя та відбитків пальців[4].
Вибір клієнтів на торгових майданчиках часто визначається відгуками. Деякі шахраї створюють підроблені відгуки для своїх облікових записів, щоб залучити клієнтів. Алгоритми машинного навчання можуть усунути вплив таких шахраїв шляхом проведення сентиментальної аналітики та поведінки та виявлення підозрілої діяльності, пов’язаної з торговцями або їх продукцією[4].
Афера електронної комерції тісно пов'язана з платежами. Значна частина виявлення шахрайства в платежах зосереджена на аналізі поведінки користувачів під час транзакцій. Наприклад, клієнт відвідує певний супермаркет о 21-10 щовечора. Він розташований біля будинку клієнта. Сума платежу коливається від 10 до 40 доларів. Кожні два дні клієнт також їздить на АЗС. Після того, як транзакція відбудеться в іншій частині міста в барі, а сума становить $ 40, алгоритм вважатиме цю діяльність підозрілою та призначить більш високий рівень ймовірності шахрайства. Щоб перевірити цю транзакцію, система надішле власнику картки запит на підтвердження. Описові статистичні дані, такі як середні значення, стандартні відхилення та високі / низькі значення, дуже корисні для аналізу поведінки. Ці показники дозволяють порівнювати окремі транзакції з особистими або внутрішньогруповими орієнтирами. Виплати з великими стандартними відхиленнями виглядають підозріло. Отже, хороша практика - надіслати запит на підтвердження власнику акаунта, якщо такі відхилення трапляються.
Дублювання транзакцій. Поширений метод афери - це створення транзакцій, близьких до оригіналу, або створення копії транзакції. Наприклад, компанія намагається двічі стягувати плату за один і той же рахунок, надсилаючи його в різні відділення. Системи на основі правил, які в даний час використовуються постійно не в змозі відрізнити помилку або незвичні транзакції від реального шахрайства. Наприклад, клієнт може випадково натиснути кнопку подання заявки двічі або просто вирішити придбати ще два рази товар. Система повинна відрізняти підозрілі дублікати від помилок людини.
Отже, з розвитком технологій шахрайські методи вдосконалюються, тому й нейронні мережі також потребують постійного вдосконалення, адже вони не є досконалими. На сьогоднішній день системи проти шахрайства повинні відповідати наступним стандартам:
- виявити шахрайство в режимі реального часу;
- покращити достовірність даних;
- виявити приховані кореляції;
- аналізувати поведінку користувачів[4].
Також не потрібно забувати, що це всього лиш хороший інструмент, який полегшує виявити загрозливі операції чи спрогнозувати ту чи іншу поведінку клієнта, і ніяк не є універсальною технологією з розпізнаванням усіх фінансових злочинів. Штучний інтелект ще не досягнув того розвитку, щоб міг повністю замінити людину в фінансовому секторі.
Список використаних джерел:
1. Ясинська Н., Івченкова О. Використання нейронних мереж в моделюванні фінансових результатів бізнес-процесів [Електронний ресурс]. – 2019. – 12 с. – Режим доступу: http://sf.tneu.edu.ua/index.php/sf/article/view/1249/1252
2. Credit Card Fraud Detection by Neural network in Keras Framework [Електронний ресурс]. – 2019. – Режим доступу: https://blog.usejournal.com/credit-card-fraud-detection-by-neural-network-in-keras-4bd81cc9e7fe
3. Даниил Кальченко. Нейронные сети: на пороге будущего [Електронний ресурс]. – Режим доступу: https://compress.ru/article.aspx?id=9663
4. Fraud Detection: How Machine Learning Systems Help Reveal Scams in Fintech, Healthcare, and eCommerce [Електронний ресурс]. – Режим доступу: https://www.altexsoft.com/whitepapers/fraud-detection-how-machine-learning-systems-help-reveal-scams-in-fintech-healthcare-and-ecommerce/
5. Мозолевська М.О., Ставицький О.В. Використання нейронних мереж для прогнозування у фінансовій сфері [Електронний ресурс]. – 2017. - Режим доступу: http://ape.fmm.kpi.ua/article/download/102584/97660
ЛНУ імені Івана Франка, ЕКФ-33с
Штучні нейронні мережі як засіб протидії нелегальним фінансовим операціям
З кожним роком стрімко збільшуються обсяг інформації, а також швидкість її зміни. Обробка та управління великими масивами даних людським інтелектом є малоефективною, а використання традиційних обчислень стає дедалі важчим процесом. На допомогу приходять штучні нейронні мережі (ШНМ). На сьогоднішній день, використання штучних нейронних мереж у фінансовій сфері у задачах інтелектуального аналізу даних управлінських процесів є достатньо успішним [1, c. 5]. Штучні нейронні мережі – це мережа комп’ютерних процесів, взаємодія яких побудована за образом процесів навчання, що відбуваються в людському мозку. Принцип нейронної мережі мотивований функціями мозку, особливо розпізнаванням образів і асоціативної пам'яті. Нейронна мережа розпізнає подібні зразки, прогнозує майбутні значення чи події на основі асоціативної пам'яті зразків, за якими вона була вивчена.
Застосування нейронних мереж є досить потужним методом прогнозування, який дозволяє відтворювати досить складні залежності. Важливою перевагою використання нейронних мереж для обробки великих масивів даних є можливість навчання нейронної мережі за еталонними зразками, значне підвищення швидкодії процесу в порівнянні з традиційними математичними методами, а також зміна топології мережі (підбір вхідних параметрів, які гарантують отримання моделі найбільш високої точності), виходячи з вимог розв'язуваної задачі[5]. Наприклад, ми можемо застосувати штучні нейронні мережі для класифікації клієнтів за ступенем ризику надання їм позики. Для цього відповідній моделі вказують певні характеристики клієнта (платоспроможність, історія виплат тощо) і на основі машинного навчання мережа прогнозує ризики надання позики.
Також для протидії шахрайства з кредитними картками ми можемо використати ШНМ. Набір даних містить трансакції, здійснені кредитними картками у вересні 2013 року європейськими власниками карт. У цьому наборі даних представлені трансакції, що відбулися за два дні, де ми маємо 492 шахрайства з 284 807 транзакцій, які були виявлені за допомогою ШНМ [2]. Щоб виявити шахрайство за нейронною мережею, нам необхідний чіткий алгоритм, а також великий масив банківських даних за допомогою якого буде проведено глибинне навчання (deep learning) цієї нейромережі. Щоб уникнути типової проблеми перенавчання нейромережі, необхідно чітко сформувати задачу.
Глибинне навчання дозволяє створювати алгоритми, які обробляють великі набори даних з багатьма змінними та допомагають знайти ці приховані кореляції між поведінкою користувача та ймовірністю шахрайських дій. Навчання продовжується до тих пір, поки не буде досягнуто мінімальної похибки з розпізнаванням шахрайської операції. Дані повинні бути добре згрупованими, з мінімальними відхиленнями, щоб модель змогла себе добре і чітко натренувати. Після навчання нейромережі тестуються в різних обставинах, вдосконалюються і є готовими до використання. Ефективно використовуючи нейронні мережі, банки можуть швидше та ефективніше виявляти шахрайське використання картки, але це не значить, що ШНМ є універсальними.
Іншим прикладом використання ШНМ для протидії нелегальним фінансовим операціям є Chemical Bank. Банк застосовує нейромережеву систему фірми Neural Data для попередньої обробки транзакцій на валютних біржах ряду країн, відстежуючи підозрілі операції. Автоматизовані системи ведення портфелів з використанням нейромереж є на озброєнні і у Deere & Co LBS Capital, причому експертна система об'єднується приблизно з 900 нейронними мережами [3]. В деяких випадках, традиційні нейронні мережі не можуть пояснити, чому вони прийшли до того чи іншого вирішення, а надто в питаннях фінансової безпеки, що є негативним фактором. Їх застосування потребує чіткої цілі.
За допомогою машинного навчання нейромережі також можуть розпізнавати фото, голос тощо. Алгоритми розпізнавання зображень можуть використовуватися для запобігання шахрайству на стадії особистої ідентифікації. Оборот наркотиків потребує ряду перевірок і існуючі механізми нагляду не є ідеальними для вирішення цього питання. Машинне навчання може вирішити проблему перевірки ідентифікації, застосовуючи розпізнавання обличчя та відбитків пальців[4].
Вибір клієнтів на торгових майданчиках часто визначається відгуками. Деякі шахраї створюють підроблені відгуки для своїх облікових записів, щоб залучити клієнтів. Алгоритми машинного навчання можуть усунути вплив таких шахраїв шляхом проведення сентиментальної аналітики та поведінки та виявлення підозрілої діяльності, пов’язаної з торговцями або їх продукцією[4].
Афера електронної комерції тісно пов'язана з платежами. Значна частина виявлення шахрайства в платежах зосереджена на аналізі поведінки користувачів під час транзакцій. Наприклад, клієнт відвідує певний супермаркет о 21-10 щовечора. Він розташований біля будинку клієнта. Сума платежу коливається від 10 до 40 доларів. Кожні два дні клієнт також їздить на АЗС. Після того, як транзакція відбудеться в іншій частині міста в барі, а сума становить $ 40, алгоритм вважатиме цю діяльність підозрілою та призначить більш високий рівень ймовірності шахрайства. Щоб перевірити цю транзакцію, система надішле власнику картки запит на підтвердження. Описові статистичні дані, такі як середні значення, стандартні відхилення та високі / низькі значення, дуже корисні для аналізу поведінки. Ці показники дозволяють порівнювати окремі транзакції з особистими або внутрішньогруповими орієнтирами. Виплати з великими стандартними відхиленнями виглядають підозріло. Отже, хороша практика - надіслати запит на підтвердження власнику акаунта, якщо такі відхилення трапляються.
Дублювання транзакцій. Поширений метод афери - це створення транзакцій, близьких до оригіналу, або створення копії транзакції. Наприклад, компанія намагається двічі стягувати плату за один і той же рахунок, надсилаючи його в різні відділення. Системи на основі правил, які в даний час використовуються постійно не в змозі відрізнити помилку або незвичні транзакції від реального шахрайства. Наприклад, клієнт може випадково натиснути кнопку подання заявки двічі або просто вирішити придбати ще два рази товар. Система повинна відрізняти підозрілі дублікати від помилок людини.
Отже, з розвитком технологій шахрайські методи вдосконалюються, тому й нейронні мережі також потребують постійного вдосконалення, адже вони не є досконалими. На сьогоднішній день системи проти шахрайства повинні відповідати наступним стандартам:
- виявити шахрайство в режимі реального часу;
- покращити достовірність даних;
- виявити приховані кореляції;
- аналізувати поведінку користувачів[4].
Також не потрібно забувати, що це всього лиш хороший інструмент, який полегшує виявити загрозливі операції чи спрогнозувати ту чи іншу поведінку клієнта, і ніяк не є універсальною технологією з розпізнаванням усіх фінансових злочинів. Штучний інтелект ще не досягнув того розвитку, щоб міг повністю замінити людину в фінансовому секторі.
Список використаних джерел:
1. Ясинська Н., Івченкова О. Використання нейронних мереж в моделюванні фінансових результатів бізнес-процесів [Електронний ресурс]. – 2019. – 12 с. – Режим доступу: http://sf.tneu.edu.ua/index.php/sf/article/view/1249/1252
2. Credit Card Fraud Detection by Neural network in Keras Framework [Електронний ресурс]. – 2019. – Режим доступу: https://blog.usejournal.com/credit-card-fraud-detection-by-neural-network-in-keras-4bd81cc9e7fe
3. Даниил Кальченко. Нейронные сети: на пороге будущего [Електронний ресурс]. – Режим доступу: https://compress.ru/article.aspx?id=9663
4. Fraud Detection: How Machine Learning Systems Help Reveal Scams in Fintech, Healthcare, and eCommerce [Електронний ресурс]. – Режим доступу: https://www.altexsoft.com/whitepapers/fraud-detection-how-machine-learning-systems-help-reveal-scams-in-fintech-healthcare-and-ecommerce/
5. Мозолевська М.О., Ставицький О.В. Використання нейронних мереж для прогнозування у фінансовій сфері [Електронний ресурс]. – 2017. - Режим доступу: http://ape.fmm.kpi.ua/article/download/102584/97660
