धोखाधड़ी का पता लगाने में गहरी गोता: मशीन लर्निंग क्या भूमिका निभा सकती है?

आर्टिफिशियल इंटेलिजेंस (एआई) दुनिया को कैसे बदल रहा है? हम में से कई के लिए, पिछले कुछ वर्षों में बड़े पैमाने पर उथल -पुथल और परिवर्तन देखा गया है, क्योंकि नियोक्ता और कर्मचारी नई और उभरती हुई प्रौद्योगिकियों के अनुकूल होने के लिए दौड़ते हैं जो उनके काम का समर्थन करते हैं।

जबकि एआई नवाचार पर अधिकांश ध्यान कस्टम सेवा समर्थन के दायरे में रहा है-वर्कफ़्लोज़ में वृद्धि और सहायता के लिए बड़ी भाषा मॉडल का उपयोग करके, वित्तीय सेवाओं का एक क्षेत्र है जिसे अक्सर अनदेखा किया जाता है-निश्चित रूप से, क्रॉस-फंक्शनल टीमों के रूप में जो व्यावसायिक जोखिमों से निपटने के लिए एक साथ काम करते हैं, जैसे कि धोखाधड़ी।

धोखाधड़ी, डिजाइन द्वारा, ट्रैक करना मुश्किल हो सकता है, बुरे अभिनेताओं के व्यवहार के साथ जटिल प्रणालियों में डिजाइन अंतराल का लाभ उठाने के लिए लगातार बदल रहा है। पेशेवर, जैसे कि जिन्होंने पूरा किया है डेटा विज्ञान में स्नातक प्रमाण पत्र ऑनलाइनधोखाधड़ी का पता लगाने के लिए कड़ी मेहनत कर रहे हैं। क्या वित्तीय सेवा क्षेत्र में मशीन लर्निंग का तेजी से प्रसार करना शुरू कर सकता है कि साधारण कार्यकर्ता क्या करने के लिए संघर्ष कर सकते हैं: पैमाने पर धोखाधड़ी का पता लगाएं?

बड़ा व्यवसाय = बड़ा डेटा

आइए इसका सामना करते हैं, बैंकिंग हमारे दिन-प्रतिदिन के जीवन का एक बड़ा हिस्सा है। पैसा उन प्रणालियों का एक अमिट हिस्सा है जिसमें हम काम करते हैं; चले गए बार्टरिंग के दिन हैं; इसके बजाय, विनम्र अनानास बात करता है।

कोई फर्क नहीं पड़ता कि आप बंधक का भुगतान कर रहे हैं, एक कार्ड पर पैसा खर्च कर रहे हैं, उन महत्वपूर्ण चीजों को खरीदना, जिन्हें आपको अपने जीवन का समर्थन करने की आवश्यकता है, सब कुछ, अंततः, लेनदेन के लिए उबला जा सकता है। 2023 में, रिजर्व बैंक ऑफ ऑस्ट्रेलिया एक रिपोर्ट जारी की जिसमें पाया गया कि औसत व्यक्ति ने 2022/23 वित्तीय वर्ष के दौरान लगभग 730 डिजिटल लेनदेन किए, लगभग दो प्रति दिन। किसी भी संस्था के लिए, एक व्यक्ति जो लेनदेन करता है, वह समस्याओं के उत्पन्न होने के माध्यम से सॉर्ट करने, व्याख्या करने और पता लगाने के लिए बड़े पैमाने पर डेटा का प्रतिनिधित्व करता है।

इस पर विचार करें: यदि औसत व्यक्ति प्रति दिन दो डिजिटल लेनदेन करता है, तो इसका मतलब है कि एक वर्ष से अधिक, देश भर के वित्तीय संस्थानों द्वारा, कार्ड ऑपरेटरों से, बैंकिंग संस्थानों तक, लेन -देन टर्मिनलों को समान रूप से संसाधित किया जाता है। अनुभवी वित्तीय पेशेवरों के लिए भी व्याख्या, समझने और रिपोर्ट करने के लिए डेटा की एक विशाल राशि है।

धोखाधड़ी वित्तीय संस्थानों के लिए एक महत्वपूर्ण चुनौती है, एक अनुमान के साथ $ 677.5 मिलियन इसी अवधि में धोखाधड़ी का पता चला। हालांकि यह वित्तीय नेटवर्क के माध्यम से बहने वाली कुल राशि की एक छोटी राशि का प्रतिनिधित्व करता है (प्रत्येक $ 1,000 खर्च के लिए लगभग 64.2 सेंट के लिए लेखांकन), यह वित्तीय क्षेत्र के लिए सैकड़ों मिलियन डॉलर की समस्या का प्रतिनिधित्व करता है, एक चुनौती जो प्रत्येक वर्ष बढ़ती रहती है।

मशीन लर्निंग के साथ पैमाने पर समस्याओं पर काबू पाना

धोखाधड़ी का पता लगाने के दायरे में, कई तरीके हैं जो पारंपरिक रूप से संदिग्ध लेनदेन का पता लगाने और जवाब देने के लिए उपयोग किए जाते हैं। इनमें से सबसे आम को व्यावसायिक नियम प्रणाली के रूप में जाना जाता है, जिसमें बैंक कई अलग -अलग नियम स्थापित करते हैं जो संदिग्ध लेनदेन की पहचान करते हैं।

जबकि नियम-आधारित प्रणाली अतीत में प्रभावी हो सकती है, आधुनिक समय में, यह धोखाधड़ी का पता लगाने के लिए कम प्रासंगिक होता जा रहा है। ऐसा इसलिए है क्योंकि बुरे अभिनेता हमेशा कमियां, बैकडोर और कमजोरियों का फायदा उठाने के तरीकों की तलाश में रहते हैं, और परिणामस्वरूप, बैंकों और ग्राहकों को समान रूप से धोखा देने के लिए अपनी रणनीतियों को लगातार परिष्कृत कर रहे हैं।

धोखाधड़ी के नियमों को लगातार जोड़ना और बदलना चुनौतियों का सामना कर सकता है; उदाहरण के लिए, यदि कहा जाता है कि नियम रिसाव करते हैं, तो एक धोखेबाज यह समझने में सक्षम हो सकता है कि वे क्या कर सकते हैं या नहीं कर सकते हैं, धोखाधड़ी के नियमों की प्रभावशीलता को कम कर सकते हैं और धोखाधड़ी के लिए बैंक की संवेदनशीलता बढ़ा सकते हैं।

एक आदर्श दुनिया में, एक ऐसी प्रणाली है जो अत्यधिक परिष्कृत नियम बना सकती है (व्यक्तिगत ग्राहक व्यवहार को शामिल कर सकती है) और लाखों, या यहां तक कि अरबों, लेनदेन के साथ काम कर सकती है, जबकि कुशलता से और सटीक रूप से चल रही है, अंततः कई संगठनों का सबसे अच्छा अभ्यास लक्ष्य है। यह वह जगह है जहां एआई मॉडल का एक सबसेट, जिसे मशीन लर्निंग के रूप में जाना जाता है, में आता है।

मशीन लर्निंग के बारे में सोचें जैसे कि आपके हाथ की हथेली में विश्लेषकों की एक सेना होना, न केवल एक व्यक्तिगत स्तर पर, बल्कि बहुत बड़े पैमाने पर भुगतान की समीक्षा करने और तुलना करने में सक्षम होने के नाते तेजी से आकलन करने और निर्णय लेने में सक्षम होना। न केवल लेन -देन डेटा को शामिल करके, बल्कि एक ग्राहक से गतिविधि रिकॉर्ड भी शामिल करके, एक मशीन लर्निंग मॉडल व्यक्तिगत स्तर पर ग्राहक की बहुत अच्छी समझ हासिल कर सकता है।

उदाहरण के लिए, एक मशीन लर्निंग मॉडल अपने औसत खर्च, टोकरी के आकार और रिफंड की संख्या की पहचान करने के लिए ग्राहक के लेन -देन के रिकॉर्ड का लाभ उठा सकता है, जिससे यह निर्धारित किया जा सकता है कि क्या लेनदेन वैध या धोखाधड़ी दिखाई देता है। एक ग्राहक जो अक्सर आदेश देता है और रिफंड की उच्च दर को रिकॉर्ड करता है, उदाहरण के लिए, एक ग्राहक की तुलना में संदिग्ध माना जा सकता है, जो अक्सर ऑर्डर करता है।

मशीन लर्निंग मॉडल भी लेन -देन से परे देख सकते हैं, संदिग्ध धोखाधड़ी पते या संपर्क विवरण को चिह्नित कर सकते हैं। जहां एक विश्लेषक के पास केवल DataPoints की एक छोटी संख्या के साथ काम करने की क्षमता हो सकती है, एक मशीन लर्निंग मॉडल अपने काम को बढ़ा सकता है और उसका समर्थन कर सकता है, संदिग्ध लेनदेन समूहों के लिए एक प्रारंभिक चेतावनी बीकन के रूप में कार्य कर सकता है।

व्यवहार में धोखाधड़ी का पता लगाना

मशीन लर्निंग व्यवहार में कैसे काम करती है? निष्पादित मॉडल के प्रकार के आधार पर, मशीन लर्निंग एल्गोरिदम धोखाधड़ी की पहचान करने के लिए कई तरीकों से काम कर सकते हैं। उदाहरण के लिए, पर्यवेक्षित मशीन लर्निंग मॉडल संदिग्ध लेनदेन की पहचान करने में मदद करने के लिए एजेंट-घोषित वैध और धोखाधड़ी लेनदेन के इनपुट का उपयोग कर सकते हैं।

उदाहरण के लिए, एएनजेड जैसे बैंक की भूमिका की खोज कर रहे हैं लेन -देन स्कोरिंग – वित्तीय डेटा के समूहों को स्कैन करना और एक जोखिम स्कोर असाइन करना, उन ग्राहकों की पहचान करने में सहायता करना जो वित्तीय तनाव के शुरुआती चरणों में हो सकते हैं। अन्य एल्गोरिदम का उपयोग ग्राहक व्यवहार को समझने के लिए भी किया जा रहा है, ताकि यदि कोई पासवर्ड समझौता किया जाए, तो एक बैंक पहचान सकता है कि लॉगिन गतिविधि को संदिग्ध कहां हो सकता है और इसे लॉक करने की आवश्यकता है।

धोखाधड़ी का पता लगाना कई मायनों में हो सकता है, और परिचालन कारणों से, कई बैंक अपनी रणनीतियों को प्रकाशित नहीं करने के लिए चुनते हैं। हालांकि, यह स्पष्ट है कि ग्राहकों को धोखाधड़ी से बचाना सर्वोच्च प्राथमिकता है, विशेष रूप से स्कैमर्स के खिलाफ लड़ाई में।

धोखाधड़ी के खिलाफ लड़ाई

धोखाधड़ी के खिलाफ लड़ाई जटिल है, क्योंकि एक दरवाजा बंद है, दूसरा खुला है।

अनुभवी पेशेवर अक्सर स्कैमर्स और धोखेबाजों के खिलाफ लड़ाई का वर्णन करते हैं, जैसे कि चक्रवात या झाड़ी के दौरान किसी के घर की रक्षा करने के लिए लड़ाई के समान, क्योंकि प्रकृति के चारों ओर प्रकृति क्रोध करती है, और घर के मालिक वे सब करते हैं जो वे खुद को बचाने के लिए कर सकते हैं। कभी -कभी, थोड़ी सी दृढ़ता और भाग्य सभी अंतर बना सकते हैं।

जैसा कि नए मशीन लर्निंग एल्गोरिदम वित्तीय क्षेत्र में अपना रास्ता बनाते हैं, यह विचार करने के लिए रोमांचक है कि अगली पीढ़ी की बैंकिंग पेशेवरों ने ग्राहकों को धोखाधड़ी से कैसे बचाएगा। कौन जानता है – शायद दस साल में, बैंकिंग धोखाधड़ी अतीत की बात हो सकती है, उन चीजों से निगरानी और प्रबंधित की गई है जो आज हम उपभोक्ताओं की सुरक्षा के लिए विकसित कर रहे हैं?

अहमदाबाद विमान दुर्घटना