Επιχειρηματικές Αναomalίες: Πρόληψη της Απάτης με Ανίχνευση Αναomalιών

Ανίχνευση Αναomalιών με MIDAS

Η ανίχνευση αναomalιών έχει γίνει ένα από τα πιο χρήσιμα εργαλεία μηχανικής μάθησης τα τελευταία πέντε χρόνια. Μπορεί να χρησιμοποιηθεί από την απάτη έως τον έλεγχο ποιότητας. Είναι δυνατό να απομονωθούν οι απάτες σε ιστοσελίδες online κριτικών; Μπορούν να ανιχνευθούν τις απάτες στις χρηματοοικονομικές συναλλαγές καθώς συμβαίνουν; Μπορεί η ζωντανή δεδομένα αισθητήρων να ενημερώσει για αποτυχίες στο δίκτυο ηλεκτρικής ενέργειας πριν συμβούν;

Η ανίχνευση αναomalιών παρέχει απαντήσεις σε ερωτήσεις όπως αυτές. Η ταυτοποίηση αναomalιών στα δεδομένα είναι một κρίσιμη εργασία κατανόησης δεδομένων. Με την έκθεση μεγάλων συνόλων δεδομένων σε εργαλεία μηχανικής μάθησης και στατιστικές μεθόδους, μπορούν να μάθουν τα κανονικά πρότυπα στα δεδομένα. Όταν συμβαίνουν ασυνήθιστα γεγονότα, οι αλγόριθμοι ανίχνευσης αναomalιών μπορούν να απομονώσουν την ασυνήθιστη συμπεριφορά και να σημάνουν τα γεγονότα που δεν αντιστοιχούν στα μαθημένα πρότυπα. Αυτή η λειτουργικότητα είναι κρίσιμη σε πολλές επιχειρηματικές περιπτώσεις. Η ανίχνευση αναomalιών επιτρέπει εφαρμογές σε ένα μεγάλο αριθμό τομέων, από την ασφάλεια έως τις χρηματοοικονομικές και τη παρακολούθηση IoT. 

Οι γραφικές παραστάσεις είναι σήμερα πανταχού παρούσες και είναι μια κοινή αναπαράσταση μεγάλων δομών δεδομένων. Παρέχουν cả online και offline εφαρμογές. Κάποιες online παραδείγματα είναι μεγάλες κοινωνικές δικτύωση, μηχανές συστάσεων προϊόντων και χρηματοοικονομικές γραφικές παραστάσεις. Στο offline: οι οδικές δικτύωση, πλατφόρμες IoT και αισθητήρες τάσης σε ηλεκτρικά δίκτυα είναι όλες πηγές μεγάλων ποσοτήτων δεδομένων με μορφή γραφήματος. Η αναπαράσταση δεδομένων ως γραφήματος παρέχει cả οφέλη και προκλήσεις στους ιδιοκτήτες των συνόλων δεδομένων. Από την μια πλευρά, επιτρέπει την αναπαράσταση δεδομένων και των σχέσεών τους σε一个 πολυδιάστατο χώρο. Από την άλλη πλευρά, απαιτούνται κλιμακωτοί αλγόριθμοι για την ανάλυση και την ερμηνεία δεδομένων. Αυτό έχει οδηγήσει σε αumented εστίαση σε μεθόδους όπως ανίχνευση αναomalιών σε δεδομένα γραφήματος.

Ας ρίξουμε μια πιο προσεκτική ματιά σε einen αλγόριθμο που έχει αναπτυχθεί για ανίχνευση αναomalιών σε δυναμικά δεδομένα γραφήματος.

MIDAS

Μικρο-συγκεντρωτικός Ανιχνευτής Αναomalιών σε Ροές Ακμών (MIDAS) είναι ένας αλγόριθμος που αντιμετωπίζει την ανίχνευση αναomalιών σε δυναμικά δεδομένα γραφήματος. Έχει αναπτυχθεί από ερευνητές στο Εθνικό Πανεπιστήμιο της Σιγκαπούρης, οι οποίοι ισχυρίζονται ότι η μέθοδός τους υπερέχει τις υφιστάμενες προσεγγίσεις. Η μέθοδός τους εξαλείφει το πιο κοινό μειονέκτημα των προηγούμενων υλοποιήσεων ανίχνευσης αναomalιών:

Παρακάτω είναι η νέα βάση για ανίχνευση αναomalιών που αναπτύχθηκε από τον Siddarth Bhatia και την ομάδα του στο Πανεπιστήμιο της Σιγκαπούρης

Εισαγωγή του MIDAS: Μια Νέα Βάση για Ανίχνευση Αναomalιών σε Γραφήματα. Πηγή Εικόνας: Blog

Αναπαράσταση των δεδομένων ως στατικού γραφήματος

Στατικά γραφήματα περιέχουν μόνο πληροφορίες σύνδεσης και αγνοούν τις χρονικές πληροφορίες. Ονομάζονται επίσης ως στιγμιότυπα γραφήματος και μπορούν να χρησιμοποιηθούν μόνο για την ανίχνευση ασυνήθιστων οντοτήτων γραφήματος (π.χ. ύποπτα κόμβους, ακμές ή υπογράφους). Ωστόσο, για πολλές πρακτικές εφαρμογές, το χρονικό στοιχείο είναι εξίσου σημαντικό: είναι σχετικό να γνωρίζουμε πότε η δομή του γραφήματος έχει αλλάξει. Για να εικονογραφήσουμε, σε ένα στατικό γράφημα που αντιπροσωπεύει ροή δικτύου, μια ακμή πληροφορεί μόνο ότι υπάρχει μια σύνδεση μεταξύ μιας διεύθυνσης IP πηγής και μιας διεύθυνσης IP προορισμού. Αλλά η χρονική περιγραφή της ακμής λείπει και επομένως η ώρα που οι δύο διευθύνσεις συνδέθηκαν είναι άγνωστη.既然 τα στατικά γραφήματα δεν μπορούσαν να μοντελοποιήσουν τέτοιες χρονικές πληροφορίες, οι μέθοδοι ανίχνευσης αναomalιών που βασίζονται σε τέτοιους γραφικούς δεν παρέχουν μόνο περιορισμένη υποστήριξη για πραγματικές εφαρμογές.

Από την άλλη πλευρά, το MIDAS αντιμετωπίζει δεδομένα που αποθηκεύονται σε ένα δυναμικό γράφημα. Κάθε ένα από τα στοιχεία του γραφήματος έχει μια συσχετισμένη χρονική σήμανση, που αντιπροσωπεύει την ώρα που το στοιχείο προστέθηκε στο γράφημα. Συνεχίζοντας το παράδειγμα παραπάνω, ένα δυναμικό δίκτυο ροής θα ενημερώσει επίσης για πότε μια σύνδεση μεταξύ δύο διευθύνσεων IP συνέβη. Η χρονική σήμανση αλλάζει κάθε φορά που ένα υπάρχον άκρο ή κόμβος ενημερώνεται, ή όταν νέα άκρα προστίθενται στο γράφημα. Όπως vậy, τα δυναμικά γραφήματα είναι μια εξελισσόμενη δομή που ταιριάζει καλύτερα σε πολλές πραγματικές εφαρμογές, οι οποίες είναι δυναμικές στη φύση τους. Επιτρέπουν την χρήση και της σύνδεσης και της χρονικής πληροφορίας για την ανίχνευση ύποπτων στοιχείων γραφήματος. Βασισμένα σε αυτή τη δυνατότητα, το MIDAS μπορεί να ανιχνεύσει αναomalίες σε πραγματικό χρόνο και έτσι προσφέρει υποστήριξη για πολλές επιχειρηματικές περιπτώσεις.

Το MIDAS είναι βελτιστοποιημένο για να λειτουργήσει σε δυναμικά δεδομένα γραφήματος. Όπως έχουμε δει παραπάνω, τα δυναμικά γραφήματα επιτρέπουν την αναπαράσταση δεδομένων που μεταβάλλονται με τον χρόνο. Ωστόσο, αυτό σημαίνει επίσης ότι η δομή του γραφήματος αλλάζει επίσης με τον χρόνο. Αυτό εισάγει ορισμένες προκλήσεις για τους αλγόριθμους ανίχνευσης αναomalιών που στοχεύουν να χρησιμοποιήσουν αυτά τα δεδομένα σε πραγματικές εφαρμογές. Ένα παράδειγμα είναι η κλιμάκωση της μεθόδου σε σχέση με τις μεταβαλλόμενες χαρακτηριστικές του γραφήματος. Δεδομένου του μεγάλου όγκου δεδομένων που αντιστοιχούν σε ορισμένες εφαρμογές, οι αλγόριθμοι πρέπει να είναι γραμμικά κλιμακωτοί ως προς το μέγεθος του γραφήματος. Το MIDAS εκτελείται σε online fashion και επεξεργάζεται κάθε άκρο σε σταθερό χρόνο και σταθερή μνήμη. Οι συγγραφείς αναφέρουν επίσης ότι ο αλγόριθμος εκτελείται “162-633 φορές πιο γρήγορα από τις υφιστάμενες προσεγγίσεις”. Αυτό καθιστά τον αλγόριθμο κατάλληλο για πραγματικές εφαρμογές, όπου η επεξεργασία υψηλού όγκου δεδομένων είναι απαραίτητη. 

Ποίες επιχειρηματικές περιπτώσεις χρειάζονται το MIDAS;

Για να αποκτήσουμε μια μικρή εικόνα για την ανίχνευση αναomalιών που χρησιμοποιείται στον σύγχρονο επιχειρηματικό κόσμο, συνεντεύξαμε τον Καναδά-βασισμένο πάροχο κρυπτονομισμάτων, NDAX. Η NDAX χρησιμοποιεί ανίχνευση αναomalιών σε τρεις περιοχές της επιχείρησής της. Γενικές επιχειρηματικές λειτουργίες, το τμήμα marketing και η ομάδα συμμόρφωσης. Η ανίχνευση αναomalιών βοηθά στην ανίχνευση σφαλμάτων, που επιτρέπει την βελτίωση της απόδοσης του ιστοτόπου και της διαδικασίας εγγραφής πελάτη. Επίσης, επιτρέπει την παροχή οδηγιών προς τις ομάδες ανάπτυξης λογισμικού και λειτουργιών για το πώς να επιλύσουν αυτά τα ζητήματα. Η κυκλοφορία του ιστοτόπου είναι μια άλλη περιοχή που μπορεί να επωφεληθεί από την ανίχνευση αναomalιών. Η κατανόηση των εκτός-ορίων στην κυκλοφορία του ιστοτόπου παρέχει μια καλύτερη κατανόηση και εικόνα στην ομάδα marketing, που επιτρέπει να αναγνωρίσει αν μια καμπάνια marketing λειτουργεί ή όχι. Έτσι, παρέχει μια πιο σαφή εικόνα για ποια περιοχή είναι η πιο σημαντική για να επικεντρωθούν οι προσπάθειές τους. Το τελευταίο μας παράδειγμα είναι πώς η ανίχνευση αναomalιών στην εγγραφή πελάτη βοηθά την ομάδα συμμόρφωσης να αναγνωρίσει πιθανές απάτες και να μειώσει τον κίνδυνο πελάτη.

Στη συζήτησή μας με τον Chief Compliance Officer της NDAX, Julia Baranovskaya, υπογραμμίζει πώς η ανίχνευση αναomalιών έχει επισημανθεί κατά τη διάρκεια της τρέχουσας πανδημίας. Υπήρξε μια αύξηση 300% στις απάτες που ανιχνεύθηκαν τα τελευταία λίγα μήνες. Οι δύσκολες φορές σε συνδυασμό με την υψηλή κυκλοφορία online προσκαλούν απάτες όλων των ειδών που στοχεύουν τους ανέργους και τους ηλικιωμένους. Με την ανίχνευση αναomalιών, μπορούμε τώρα να μετατρέψουμε αυτές τις εκτός-ορίων σε δείκτες απάτης ή τάσεων. Το ακόλουθο γράφημα δείχνει πώς η απάτη έχει μεταβληθεί κατά τη διάρκεια του πρώτου μέρους του έτους.

Η NDAX ανίχνευσε μια αύξηση στις απάτες στο δεύτερο τρίμηνο, ιδιαίτερα απάτες που αφορούν τους ηλικιωμένους και ψευδείς ανακοινώσεις εργασίας.

Τι για την Επιχείρησή σας;

Οι αλγόριθμοι ανίχνευσης αναomalιών μπορούν να βοηθήσουν τις επιχειρήσεις να αναγνωρίσουν και να αντιδράσουν σε ασυνήθιστα δεδομένα σε πολλές περιπτώσεις. Ένα σύστημα ασφαλείας τράπεζας μπορεί να χρησιμοποιήσει ανίχνευση αναomalιών για την αναγνώριση των απάτων συναλλαγών. Παρόμοια, οι ιδιοκτήτες εργοστασίων βασίζονται στην ανίχνευση αναomalιών για την αντιμετώπιση των βλαβών του εξοπλισμού και την εφαρμογή προληπτικών μέτρων συντήρησης. Σε δίκτυα αισθητήρων IoT, η ανίχνευση αναomalιών χρησιμοποιείται ως μέρος λύσεων παρακολούθησης και για την πρόληψη της ανεπιθύμητης ανάπτυξης κακόβουλου λογισμικού. Το βασικό σημείο είναι σαφές: οι επιχειρήσεις που έχουν πρόσβαση σε μεγάλες ποσότητες δεδομένων μπορούν να χρησιμοποιήσουν το MIDAS (και άλλους αλγόριθμους ανίχνευσης αναomalιών) για να αναγνωρίσουν ασυνήθιστα πρότυπα σε πραγματικό χρόνο. 

Πώς είναι δομημένα τα δεδομένα σας και πώς μπορούμε να σας βοηθήσουμε να εγκαταστήσετε μια σύγχρονη λύση ανίχνευσης αναomalιών;

Στείλτε μας ένα μήνυμα και ενημερώστε μας. Η ομάδα Blue Orange Digital είναι ευτυχισμένη να κάνει την ανίχνευση αναomalιών να λειτουργήσει για το όφελός σας επίσης!

πηγή εικόνας: Canva