کاروباری بے ضابطگیوں: بے ضابطگیوں کا پتہ لگانے کے ساتھ دھوکہ دہی کی روک تھام

MIDAS کے ساتھ بے ضابطگی کا پتہ لگانا

بے ضابطگی کا پتہ لگانا پچھلے پانچ سالوں کے سب سے مفید مشین لرننگ ٹولز میں سے ایک بن گیا ہے۔ اسے دھوکہ دہی سے لے کر کوالٹی کنٹرول تک استعمال کیا جا سکتا ہے۔ کیا آن لائن جائزہ ویب سائٹس میں دھوکہ بازوں کو الگ تھلگ کرنا ممکن ہے؟ کیا جعلی مالیاتی لین دین کا پتہ لگایا جا سکتا ہے جب وہ ہوتے ہیں؟ کیا لائیو سینسر ڈیٹا پاور گرڈ کی خرابیوں کے ہونے سے پہلے ان کے بارے میں مطلع کر سکتا ہے؟

بے ضابطگی کا پتہ لگانا اس طرح کے سوالات کے جوابات فراہم کرتا ہے۔ ڈیٹا میں بے ضابطگیوں کی نشاندہی کرنا ڈیٹا کو سمجھنے کا ایک اہم کام ہے۔ مشین لرننگ ٹولز اور شماریاتی طریقوں سے بڑے ڈیٹاسیٹس کو سامنے لا کر، ڈیٹا میں نارمل پیٹرن سیکھے جا سکتے ہیں۔ جب متضاد واقعات پیش آتے ہیں تو، بے ضابطگی کا پتہ لگانے والے الگورتھم غیر معمولی رویے کو الگ کر سکتے ہیں اور کسی بھی ایسے واقعات کو جھنڈا لگا سکتے ہیں جو سیکھے ہوئے نمونوں سے مطابقت نہیں رکھتے۔ اس طرح کی فعالیت بہت سے کاروباری استعمال کے معاملات میں اہم ہے۔ بے ضابطگی کا پتہ لگانے سے سیکیورٹی سے لے کر فنانس تک اور بہت سارے شعبوں میں ایپلی کیشنز کو قابل بنایا جاتا ہے۔ آئی او ٹی مانیٹرنگ. 

ویب اسکیل گراف آج کل ہر جگہ موجود ہیں اور بڑے ڈیٹا ڈھانچے کی عام نمائندگی ہیں۔ وہ آن لائن اور آف لائن دونوں ایپلی کیشنز کو طاقت دیتے ہیں۔ چند آن لائن مثالیں بڑے سوشل نیٹ ورکس، مصنوعات کی سفارش کرنے والے انجن، اور مالیاتی لین دین کے گرافس ہیں۔ آف لائن میں: روڈ نیٹ ورکس، IoT پلیٹ فارمز اور الیکٹریکل پاور گرڈز میں وولٹیج سینسرز گراف نما ڈیٹا کی بڑی مقدار کے تمام ذرائع ہیں۔ اعداد و شمار کو گراف کے طور پر پیش کرنا مذکورہ ڈیٹا سیٹس کے مالکان کے لیے فوائد اور چیلنجز دونوں لاتا ہے۔ ایک طرف، یہ نمائندگی کرنے کی اجازت دیتا ہے۔ کثیر جہتی جگہ میں ڈیٹا پوائنٹس اور ان کے تعلقات۔ دوسری طرف، ڈیٹا کے تجزیہ اور تشریح کے لیے توسیع پذیر الگورتھم کی ضرورت ہے۔ یہ ایک کی قیادت کی ہے تحقیق کی توجہ میں اضافہ جیسے طریقوں پر گراف ڈیٹا پر بے ضابطگی کا پتہ لگانا۔

آئیے ہم متحرک گراف ڈیٹا میں بے ضابطگی کا پتہ لگانے کے لیے تیار کردہ جدید ترین الگورتھم پر گہری نظر ڈالتے ہیں۔

MIDAS

ایج اسٹریمز میں بے ضابطگیوں کا مائیکرو کلسٹر پر مبنی پتہ لگانے والا (MIDAS) ایک الگورتھم ہے جو بے ضابطگی کا پتہ لگانے سے نمٹتا ہے۔ متحرک گراف ڈیٹا. اسے سنگاپور کی نیشنل یونیورسٹی کے محققین نے تیار کیا ہے جو دعویٰ کرتے ہیں کہ ان کا طریقہ جدید ترین طریقوں سے بہتر ہے۔ ان کا طریقہ پچھلے بے ضابطگی کا پتہ لگانے کے نفاذ کی سب سے عام کمی کو دور کرتا ہے:

ذیل میں سنگا پور یونیورسٹی میں سدھارتھ بھاٹیہ اور ان کی ٹیم کے ذریعہ تیار کردہ بے ضابطگی کا پتہ لگانے کی نئی بنیادی لائن ہے۔

MIDAS کا تعارف: گرافس میں بے ضابطگی کی نشاندہی کے لیے ایک نئی بنیاد۔ تصویری ماخذ: بلاگ

اعداد و شمار کو بطور a مستحکم گراف

جامد گراف صرف رابطے کی معلومات پر مشتمل ہوتے ہیں اور وقتی معلومات کو نظر انداز کرتے ہیں۔ انہیں گراف اسنیپ شاٹس کے نام سے بھی جانا جاتا ہے اور صرف غیر معمولی گراف ہستیوں (مثلاً مشکوک نوڈس، کناروں یا ذیلی گرافس) کو دیکھنے کے لیے استعمال کیا جا سکتا ہے۔ تاہم، بہت سے عملی استعمال کے لیے، وقتی پہلو بھی اتنا ہی اہم ہے: یہ جاننا متعلقہ ہے جب گراف کا ڈھانچہ بدل گیا ہے۔ واضح کرنے کے لیے، نیٹ ورک ٹریفک سٹریم کی نمائندگی کرنے والے جامد گراف میں، ایک کنارہ صرف یہ بتاتا ہے کہ ماخذ IP ایڈریس اور منزل کے IP ایڈریس کے درمیان تعلق ہے۔ لیکن کنارے کی وقتی وضاحت غائب ہے اور اس وجہ سے وہ وقت معلوم نہیں جب دو پتے آپس میں جڑے ہوئے ہیں۔ چونکہ جامد گراف اس طرح کی عارضی معلومات کو ماڈل نہیں کر سکتے ہیں، اس لیے اس طرح کے گراف کے اوپر بنائے گئے بے ضابطگی کا پتہ لگانے کے طریقے حقیقی دنیا کی ایپلی کیشنز کے لیے صرف محدود مدد فراہم کرتے ہیں۔

دوسری طرف، MIDAS a میں ذخیرہ شدہ ڈیٹا کو ہینڈل کرتا ہے۔ متحرک گراف گراف میں عناصر میں سے ہر ایک کا ایک منسلک ٹائم اسٹیمپ ہوتا ہے، جو اس وقت کی نمائندگی کرتا ہے جب اس عنصر کو گراف میں شامل کیا گیا تھا۔ مندرجہ بالا مثال کی پیروی کرتے ہوئے، ایک متحرک نیٹ ورک ٹریفک گراف بھی اس کے بارے میں مطلع کرے گا۔ جب دو IP پتوں کے درمیان ایک کنکشن ہوا. جب بھی موجودہ کنارے یا نوڈ کو اپ ڈیٹ کیا جاتا ہے، یا جب گراف میں نئے کنارے شامل کیے جاتے ہیں تو ٹائم اسٹیمپ تبدیل ہوتا ہے۔ اس طرح، متحرک گراف ایک وقت کے ساتھ تیار ہونے والا ڈھانچہ ہے جو بہت سے حقیقی دنیا کے ایپلی کیشنز کو بہتر طور پر فٹ کرتا ہے، جو فطرت میں متحرک ہیں۔ وہ مشکوک گراف عناصر کی کھوج کے لیے رابطے اور وقت کی معلومات دونوں کا استعمال ممکن بناتے ہیں۔ اس صلاحیت کی بنیاد پر، MIDAS حقیقی وقت میں بے ضابطگیوں کا پتہ لگا سکتا ہے اور اس طرح بہت سے کاروباری استعمال کے معاملات کے لیے مدد فراہم کرتا ہے۔

MIDAS کو متحرک گراف ڈیٹا پر کام کرنے کے لیے بہتر بنایا گیا ہے۔ جیسا کہ ہم نے اوپر دیکھا ہے، متحرک گراف وقت کے مختلف اعداد و شمار کی نمائندگی کرنا ممکن بناتے ہیں۔ تاہم، اس کا مطلب یہ بھی ہے کہ گراف کا ڈھانچہ خود بھی وقت کے ساتھ بدلتا رہتا ہے۔ اس سے بے ضابطگی کا پتہ لگانے والے الگورتھم کے لیے کچھ چیلنجز متعارف کرائے گئے ہیں جن کا مقصد اس ڈیٹا کو ریئل ٹائم ایپلی کیشنز میں استعمال کرنا ہے۔ ایک مثال یہ ہے۔ طریقہ کار کی توسیع پذیری گراف کی خصوصیات کو تبدیل کرنے کے حوالے سے۔ کچھ ایپلی کیشنز سے مطابقت رکھنے والے بڑے ڈیٹا والیوم کو دیکھتے ہوئے، الگورتھم کو گراف کے سائز کے لیے لکیری طور پر توسیع پذیر ہونے کی ضرورت ہے۔ MIDAS ایک آن لائن انداز میں چلتا ہے اور ہر کنارے کو مستقل وقت اور مستقل میموری میں پروسیس کرتا ہے۔ مصنفین یہ بھی بتاتے ہیں کہ الگورتھم چلتا ہے۔ "جدید ترین طریقوں سے 162-633 گنا تیز". یہ الگورتھم کو ریئل ٹائم ایپلی کیشنز کے لیے موزوں بناتا ہے، جہاں ہائی والیوم ڈیٹا اسٹریمز کی پروسیسنگ ضروری ہے۔ 

کون سے کاروباری استعمال کے معاملات میں MIDAS کی ضرورت ہے؟

آج کی کاروباری دنیا میں بے ضابطگی کا پتہ لگانے کے بارے میں تھوڑی سی بصیرت حاصل کرنے کے لیے ہم نے کینیڈا میں مقیم کرپٹو کرنسی فراہم کنندہ کا انٹرویو کیا، این ڈی اے ایکس۔. NDAX اپنے کاروبار کے تین شعبوں میں بے ضابطگی کا پتہ لگانے کا استعمال کرتا ہے۔ عمومی کاروباری کارروائیاں، مارکیٹنگ ڈیپارٹمنٹ، اور تعمیل ٹیم۔ بے ضابطگی کا پتہ لگانے سے کیڑے کی شناخت میں مدد ملتی ہے، جو انہیں ویب سائٹ کی کارکردگی اور کلائنٹ کے آن بورڈنگ کے عمل کو بہتر بنانے کی اجازت دیتا ہے۔ یہ انہیں سافٹ ویئر ڈویلپمنٹ اور بیک آفس آپریشن ٹیموں کو ان مسائل کو حل کرنے کے بارے میں رہنمائی فراہم کرنے کی بھی اجازت دیتا ہے۔ ویب سائٹ ٹریفک ایک اور شعبہ ہے جو بے ضابطگی کا پتہ لگانے کی طاقت کا فائدہ اٹھا سکتا ہے۔ ویب سائٹ ٹریفک میں آؤٹ لیرز کو سمجھنا مارکنگ ٹیم کو بصیرت اور بہتر سمجھ دیتا ہے، جو انہیں یہ شناخت کرنے کی اجازت دیتا ہے کہ آیا کوئی مارکیٹنگ مہم کام کر رہی ہے یا نہیں۔ اس طرح ان کی کوششوں کو مرتکز کرنے کے لیے کون سے علاقے کی واضح تصویر پیش کرنا سب سے اہم ہے۔ ہماری آخری مثال یہ ہے کہ کس طرح کلائنٹ کے سائن اپ کی بے ضابطگی کمپلائنس ٹیم کو ممکنہ دھوکہ دہی کی نشاندہی کرنے اور کلائنٹ کے خطرے کو کم کرنے میں مدد کرتی ہے۔

NDAX کے چیف کمپلائنس آفیسر کے ساتھ ہماری گفتگو میں، جولیا بارانووسکایا اس بات پر روشنی ڈالتی ہے کہ موجودہ وبائی مرض کے دوران کس طرح بے ضابطگی کا پتہ لگانے کی اہمیت پر زور دیا گیا ہے۔ پچھلے کچھ مہینوں میں دھوکہ دہی میں 300 فیصد اضافہ ہوا ہے۔ انتہائی آن لائن ٹریفک کے ساتھ مل کر مایوس وقت ہر طرح کے گھوٹالوں کو دعوت دیتا ہے جو بے روزگاروں اور بزرگوں کو نشانہ بناتے ہیں۔ بے ضابطگی کا پتہ لگانے کے ساتھ، اب ہم ان آؤٹ لیرز کو دھوکہ دہی یا رجحانات کے اشارے میں تبدیل کرنے کے قابل ہو گئے ہیں۔ درج ذیل گراف دکھاتا ہے کہ اس سال کے پہلے نصف کے دوران دھوکہ دہی میں کس طرح اتار چڑھاؤ آیا ہے۔

آپ کے کاروبار کے بارے میں کیا ہے؟

بے ضابطگی کا پتہ لگانے والے الگورتھم کاروبار کو متعدد منظرناموں میں غیر معمولی ڈیٹا پوائنٹس کی شناخت اور ان پر ردعمل ظاہر کرنے میں مدد کر سکتے ہیں۔ ایک بینک سیکورٹی سسٹم جعلی لین دین کی شناخت کے لیے بے ضابطگی کا پتہ لگانے کا کام کر سکتا ہے۔ اسی طرح، مینوفیکچرنگ پلانٹ کے مالکان خرابی کے سازوسامان سے نمٹنے اور دیکھ بھال کے پیشن گوئی کے اقدامات کو لاگو کرنے کے لیے بے ضابطگی کا پتہ لگانے پر انحصار کرتے ہیں۔ میں IoT سینسر نیٹ ورکس, بے ضابطگی کا پتہ لگانے کو حالت کی نگرانی کے حل کے حصے کے طور پر اور غیر مطلوبہ میلویئر کی تعیناتی کی روک تھام کے لیے استعمال کیا جاتا ہے۔ سب سے نیچے کی بات واضح ہے: وہ کاروبار جن کے پاس ڈیٹا کی بڑی مقدار تک رسائی ہے وہ MIDAS (اور دیگر بے ضابطگیوں کا پتہ لگانے والے الگورتھم) کو استعمال کر سکتے ہیں تاکہ حقیقی وقت میں غیر معمولی نمونوں کی شناخت کی جا سکے۔ 

آپ کے ڈیٹا کا ڈھانچہ کیسا ہے اور ہم آپ کی بے ضابطگی کا پتہ لگانے کا جدید حل ترتیب دینے میں کس طرح مدد کر سکتے ہیں؟

ہمیں ایک لائن چھوڑیں اور ہمیں بتائیں۔ دی بلیو اورنج ڈیجیٹل ڈیٹا سائنس کی ٹیم آپ کے فائدے کے لیے بھی بے ضابطگیوں کا پتہ لگانے کا کام کرنے پر خوش ہے!

تصویر کا مرکزی ذریعہ: کینوا