ความผิดปกติทางธุรกิจ: การป้องกันการฉ้อโกงด้วยการตรวจจับความผิดปกติ

การตรวจจับความผิดปกติด้วย MIDAS

การตรวจจับความผิดปกติได้กลายเป็นหนึ่งในเครื่องมือการเรียนรู้ของเครื่องจักรที่มีประโยชน์ที่สุดในช่วงห้าปีที่ผ่านมา สามารถใช้ได้ตั้งแต่การฉ้อโกงไปจนถึงการควบคุมคุณภาพ เป็นไปได้หรือไม่ที่จะแยกความผิดปกติออกจากความปกติในเว็บไซต์ตรวจสอบออนไลน์? สามารถตรวจจับการทำธุรกรรมทางการเงินที่ไม่ปกติได้ขณะเกิดขึ้นหรือไม่? ข้อมูลเซ็นเซอร์แบบเรียลไทม์สามารถบอกถึงการล้มเหลวของโครงข่ายไฟฟ้าได้ก่อนที่จะเกิดขึ้นหรือไม่?

การตรวจจับความผิดปกติให้คำตอบสำหรับคำถามเหล่านี้ การระบุความผิดปกติในข้อมูลเป็นงานสำคัญในการทำความเข้าใจข้อมูล โดยการนำข้อมูลขนาดใหญ่ไปสู่เครื่องมือการเรียนรู้ของเครื่องจักรและวิธีการทางสถิติ สามารถเรียนรู้รูปแบบปกติในข้อมูลได้ เมื่อเกิดเหตุการณ์ที่ไม่สอดคล้องกัน อัลกอริทึมการตรวจจับความผิดปกติสามารถแยกพฤติกรรมที่ไม่ปกติและระบุเหตุการณ์ที่ไม่สอดคล้องกับรูปแบบที่ได้เรียนรู้แล้ว ความสามารถนี้มีความสำคัญอย่างมากในหลายกรณีการใช้งานทางธุรกิจ การตรวจจับความผิดปกติทำให้สามารถนำไปใช้ในหลายภาคส่วน ตั้งแต่ความปลอดภัยไปจนถึงการเงินและการตรวจสอบ IoT

กราฟขนาดใหญ่ในปัจจุบันเป็นสิ่งที่พบเห็นได้ทั่วไปและเป็นตัวแทนของโครงสร้างข้อมูลขนาดใหญ่ กราฟเหล่านี้เป็นพลังงานทั้งสำหรับแอปพลิเคชันออนไลน์และออฟไลน์ ตัวอย่างออนไลน์ ได้แก่ โซเชียลเน็ตเวิร์กขนาดใหญ่ เครื่องมือแนะนำผลิตภัณฑ์ และกราฟธุรกรรมทางการเงิน ในออฟไลน์ โครงข่ายถนน แพลตฟอร์ม IoT และเซ็นเซอร์แรงดันไฟฟ้าในโครงข่ายไฟฟ้าล้วนเป็นแหล่งที่มาของข้อมูลที่มีลักษณะคล้ายกราฟ การมีข้อมูลที่แสดงเป็นกราฟทำให้เจ้าของข้อมูลได้รับทั้งประโยชน์และความท้าทาย ในด้านหนึ่ง ทำให้สามารถแสดงข้อมูลจุดและความสัมพันธ์ของมันในพื้นที่หลายมิติได้ ในทางกลับกัน ต้องการอัลกอริทึมที่สามารถวิเคราะห์และตีความข้อมูลได้อย่างมีประสิทธิภาพ ซึ่งนำไปสู่การเน้นการวิจัยในวิธีการดังกล่าว เช่น การตรวจจับความผิดปกติในกราฟข้อมูล

มาทำความรู้จักกับอัลกอริทึมที่พัฒนาขึ้นสำหรับการตรวจจับความผิดปกติในกราฟข้อมูลแบบไดนามิก

MIDAS

Microcluster-Based Detector of Anomalies in Edge Streams (MIDAS) เป็นอัลกอริทึมที่แก้ไขปัญหาในการตรวจจับความผิดปกติในกราฟข้อมูลแบบไดนามิก ซึ่งพัฒนาโดยนักวิจัยจากมหาวิทยาลัยแห่งชาติสิงคโปร์ โดยอ้างว่าวิธีการของพวกเขาทำงานได้ดีกว่าวิธีการที่มีอยู่แล้ว วิธีการของพวกเขาลดความบกพร่องที่พบได้ทั่วไปในอัลกอริทึมการตรวจจับความผิดปกติที่ใช้ก่อนหน้านี้:

ด้านล่างนี้คือฐานใหม่สำหรับการตรวจจับความผิดปกติที่พัฒนาโดย Siddarth Bhatia และทีมของเขาจากมหาวิทยาลัยสิงคโปร์

Introducing MIDAS: A New Baseline for Anomaly Detection in Graphs. Image Source: Blog

การแสดงข้อมูลในรูปแบบกราฟแบบ คงที่

กราฟแบบคงที่มีเฉพาะข้อมูลเชื่อมต่อและไม่รวมข้อมูลเชิงเวลา เรียกอีกอย่างว่า “ภาพถ่ายกราฟ” และสามารถใช้เพื่อระบุเอนทิตี้กราฟที่ไม่ปกติ (เช่น โหนดหรือเส้นที่น่าสงสัย) แต่สำหรับการใช้งานจริงหลายกรณี ด้านเวลาเป็นสิ่งสำคัญเช่นกัน: มีความสำคัญที่จะรู้เมื่อไหร่ที่โครงสร้างกราฟเปลี่ยนแปลงไป เพื่ออธิบาย ในกราฟแบบคงที่ที่แสดงถึงกระแสการรับส่งข้อมูลเครือข่าย อาจมีเพียงข้อมูลว่ามีการเชื่อมต่อระหว่างที่อยู่ IP ต้นทางและปลายทาง แต่ข้อมูลเชิงเวลาของการเชื่อมต่อนั้นหายไป ดังนั้น จึงไม่ทราบว่าเมื่อไหร่ที่ที่อยู่ IP เหล่านั้นเชื่อมต่อกัน เนื่องจากรูปแบบกราฟแบบคงที่ไม่สามารถแสดงข้อมูลเชิงเวลาได้ อัลกอริทึมการตรวจจับความผิดปกติที่สร้างขึ้นบนกราฟเหล่านี้จึงให้การสนับสนุนการนำไปใช้งานจริงได้เพียงบางส่วนเท่านั้น

ในทางกลับกัน MIDAS จัดการกับข้อมูลที่เก็บไว้ในกราฟแบบ ไดนามิก แต่ละองค์ประกอบในกราฟมีไทม์สตัมป์ที่เกี่ยวข้อง ซึ่งแสดงถึงเวลาที่องค์ประกอบนั้นถูกเพิ่มเข้าไปในกราฟ ต่อจากตัวอย่างก่อนหน้านี้ กราฟการรับส่งข้อมูลเครือข่ายแบบไดนามิกจะบอกถึงเมื่อที่เกิดการเชื่อมต่อระหว่างที่อยู่ IP สองจุด ไทม์สตัมป์จะเปลี่ยนแปลงทุกครั้งที่มีการอัปเดตโหนดหรือเส้นเชื่อมที่มีอยู่หรือเมื่อมีการเพิ่มเส้นเชื่อมใหม่เข้าไปในกราฟ ดังนั้น กราฟแบบไดนามิกจึงเป็นโครงสร้างที่เปลี่ยนแปลงไปตามเวลา ซึ่งเหมาะสมกับการใช้งานจริงหลายกรณีที่มีลักษณะแบบไดนามิกเช่นกัน ทำให้สามารถใช้ข้อมูลเชื่อมต่อและข้อมูลเชิงเวลาเพื่อตรวจจับเอนทิตี้กราฟที่น่าสงสัยได้ ด้วยความสามารถนี้ MIDAS สามารถตรวจจับความผิดปกติได้แบบเรียลไทม์ และจึงให้การสนับสนุนหลายกรณีการใช้งานทางธุรกิจ

MIDAS ถูกปรับให้เหมาะสมสำหรับการทำงานกับข้อมูลกราฟแบบไดนามิก ตามที่เราได้เห็นข้างต้น กราฟแบบไดนามิกทำให้สามารถแสดงข้อมูลที่เปลี่ยนแปลงไปตามเวลาได้ แต่นี่ก็หมายความว่าโครงสร้างกราฟเองก็เปลี่ยนแปลงไปตามเวลาเช่นกัน ซึ่งนำไปสู่ความท้าทายบางอย่างสำหรับอัลกอริทึมการตรวจจับความผิดปกติที่ต้องการใช้ข้อมูลนี้ในแอปพลิเคชันแบบเรียลไทม์ ตัวอย่างหนึ่งคือ ความสามารถในการปรับขนาดของวิธีการ ที่เกี่ยวข้องกับคุณลักษณะของกราฟที่เปลี่ยนแปลงไป MIDAS ทำงานในลักษณะออนไลน์ และประมวลผลแต่ละเส้นเชื่อมในเวลาและหน่วยความจำคงที่ ผู้เขียนรายงานว่าอัลกอริทึมนี้ทำงาน “162-633 เท่าเร็วกว่าวิธีการที่มีอยู่แล้ว” ซึ่งทำให้อัลกอริทึมนี้เหมาะสำหรับการใช้งานแบบเรียลไทม์ ซึ่งต้องการการประมวลผลสตรีมข้อมูลขนาดใหญ่

กรณีการใช้งานทางธุรกิจใดที่ต้องการ MIDAS?

เพื่อให้ได้ข้อมูลเชิงลึกเกี่ยวกับการใช้งานการตรวจจับความผิดปกติในโลกธุรกิจปัจจุบัน เราได้สัมภาษณ์กับ NDAX ผู้ให้บริการคริปโทเคอร์เรนซีจากแคนาดา NDAX ใช้การตรวจจับความผิดปกติในสามด้านของธุรกิจ: การดำเนินงานทั่วไป หัวหน้าฝ่ายการตลาด และทีมการปฏิบัติตามกฎระเบียบ การตรวจจับความผิดปกติช่วยระบุจุดบกพร่อง ซึ่งช่วยให้สามารถปรับปรุงประสิทธิภาพของเว็บไซต์และกระบวนการลงทะเบียนของลูกค้าได้ นอกจากนี้ยังช่วยให้สามารถให้คำแนะนำแก่ทีมพัฒนาซอฟต์แวร์และการดำเนินงานด้านหลังบ้านเกี่ยวกับวิธีการแก้ไขปัญหาเหล่านั้น อีกด้านหนึ่ง การรับทราบถึงผู้เยี่ยมชมเว็บไซต์ที่ไม่ปกติสามารถให้ข้อมูลเชิงลึกและความเข้าใจที่ดีกว่าแก่ทีมการตลาด ซึ่งช่วยให้สามารถระบุได้ว่าแคมเปญการตลาดใดที่ทำงานได้ดีหรือไม่ ทำให้ได้ภาพที่ชัดเจนยิ่งขึ้นว่าควรเน้นความพยายามในด้านใด

ในการสนทนาของเรากับ Julia Baranovskaya หัวหน้าฝ่ายการปฏิบัติตามกฎระเบียบของ NDAX เธอเน้นย้ำถึงความสำคัญของการตรวจจับความผิดปกติในช่วงการระบาดของโควิด-19 มีการเพิ่มขึ้น 300% ในการตรวจพบการฉ้อโกงในช่วงไม่กี่เดือนที่ผ่านมา ในช่วงเวลาที่คนต้องการความช่วยเหลือ การฉ้อโกงและหลอกลวงที่มุ่งเป้าไปที่ผู้ว่างงานและผู้สูงอายุเพิ่มมากขึ้น ด้วยการตรวจจับความผิดปกติ เรา现在สามารถเปลี่ยนผู้เยี่ยมชมที่ไม่ปกติให้เป็นตัวบ่งชี้การฉ้อโกงหรือแนวโน้มได้ กราฟต่อไปนี้แสดงให้เห็นว่าการฉ้อโกงเปลี่ยนแปลงไปอย่างไรในช่วงครึ่งแรกของปีนี้

NDAX พบการเพิ่มขึ้นของการฉ้อโกงในไตรมาสที่ 2 โดยเฉพาะการฉ้อโกงที่เกี่ยวข้องกับผู้สูงอายุและงานปลอม

ธุรกิจของคุณล่ะ?

อัลกอริทึมการตรวจจับความผิดปกติสามารถช่วยให้ธุรกิจระบุและตอบสนองต่อจุดข้อมูลที่ไม่ปกติในหลายสถานการณ์ ระบบความปลอดภัยของธนาคารอาจใช้การตรวจจับความผิดปกติเพื่อระบุการทำธุรกรรมที่ไม่ปกติ ในทำนองเดียวกัน ผู้เป็นเจ้าของโรงงานอุตสาหกรรมพึ่งพาการตรวจจับความผิดปกติในการจัดการกับอุปกรณ์ที่ทำงานผิดปกติและดำเนินการบำรุงรักษาเชิง예측 ในเครือข่ายเซ็นเซอร์ IoT การตรวจจับความผิดปกติใช้เป็นส่วนหนึ่งของโซลูชันการตรวจสอบสภาพและป้องกันการกำหนดค่ามาเลเวอเรอร์ที่ไม่พึงประสงค์ จุดสำคัญคือ ธุรกิจที่มีเข้าถึงข้อมูลจำนวนมากสามารถใช้ MIDAS (และอัลกอริทึมการตรวจจับความผิดปกติอื่นๆ) เพื่อระบุรูปแบบที่ไม่ปกติในแบบเรียลไทม์

ข้อมูลของคุณมีโครงสร้างอย่างไร และเราจะช่วยคุณตั้งค่าโซลูชันการตรวจจับความผิดปกติแบบสมัยใหม่ได้อย่างไร?

ส่งอีเมลมาที่เราและบอกเราว่า คุณทีมวิทยาศาสตร์ข้อมูลของ Blue Orange Digital ยินดีที่จะช่วยให้การตรวจจับความผิดปกติทำงานเพื่อประโยชน์ของคุณเช่นกัน!

แหล่งที่มาของภาพหลัก: Canva