تشخیص ناهنجاری: اسب تاریک تشخیص تقلب

امروزه، پیش‌بینی کلاهبرداری مبتنی بر یادگیری ماشین به یک پایه اصلی در اکثر سازمان‌ها تبدیل شده است.

دو نوع رایج یادگیری ماشینی یادگیری ماشینی تحت نظارت و بدون نظارت است. از بین این دو، یادگیری تحت نظارت به دلایل ظاهری مطلوب ترین انتخاب برای پیش بینی تقلب است. یادگیری تحت نظارت که الگوها را از موارد تقلب شناخته شده می آموزد، پیش بینی های دقیق تری را به همراه دارد. از سوی دیگر، حتی زمانی که موارد تایید شده تقلب نداریم، می توان از یادگیری بدون نظارت استفاده کرد. اشکال این است که سطح دقت پیش‌بینی پایین‌تری نسبت به یادگیری تحت نظارت دارد.

مدل‌های ML تحت نظارت چیزی را که ما نمی‌دانیم نمی‌دانند

امروزه سازمان‌ها معمولاً فقط مدل‌های تحت نظارت را پیاده‌سازی می‌کنند. یک دلیل رایج برای این باور این است که اگر یک مدل نظارت شده بتواند بهترین عملکرد را ارائه دهد، نیازی به مدل بدون نظارت نیست. این مکتب فکری می تواند در برخی حوزه ها خطرناک باشد که کشف تقلب یکی از آنهاست. مدل های تحت نظارت فقط آنچه را که به آنها آموزش داده می شود یاد می گیرند. آنها نمی توانند خود به خود تکامل یابند تا الگوهای کلاهبرداری جدید را بدست آورند. برعکس، کلاهبرداران، نهادهای بسیار خلاقی هستند که دائماً در تلاش برای کشف راه‌های جدید برای فرار از تشخیص هستند. ماهیت خصمانه این دامنه به این معنی است که ما باید اکنون آماده مبارزه با الگوهای تقلب جدید باشیم و…