به گزارش خبرنگار ایبِنا، جلال الدین نصیری در پنل (نقش یادگیری ماشین در بستر کلان داده در سامانه های مدیریت تقلب و معرفی سامانه ایمن) در هشتمین همایش بانکداری الکترونیک و نظام های پرداخت اظهار داشت : در سامانه های کشف تقلب از روش های چندگانه برای جلوگیری از تخلفات مالی استفاده می شود.
روش ساده
نصیری افزود: در سیستم های کشف تقلب ماژول هایی تعبیه شده اند و به صورت پایه ای این ماژول ها بر اساس یکسری قوانین ساده، برخی از تقلب ها را کشف می کنند و بیشتر بر مبنای تقلب های تکرار شده تعیین شده است و نقطه ضعف آن عدم کشف تقلب های جدید است.
روش مبتنی بر پروفایل
وی اضافه کرد: روش هایی مبتنی بر پروفایل (حساب، کارت، مشتری، شعبه و بانک) از دیگر الگوهای کشف تقلب است و در این روش استخراج الگوهای نامتعارف و تحلیل پیشرفته داده بر اساس رفتار NTT حساب ها ارزیابی می شود.
نقاط ضعف و قوت
نصیری درباره نقاط ضعف روش مبتنی بر پروفایل در شناسایی تقلب گفت : عدم پشتیبانی مفهوم تغییر رفتار (Concept Dirift)، تنظیم سطح حساسیت و عدم کشف تقلب های پیچیده از نقاط ضعف این روش و کارآمد بودن نسبت به روش های تقلب جدید، عدم مشکوک شدن و پیچیدگی متوسط در سیستم از نقاط قوت این روش بود.
وی در این پنل اظهار داشت : شاه کلید کشف تقلب در مسائل مالی استخراج الگوی هر مشتری است. وی با بیان اینکه یادگیری ماشین، شاخه ای از هوش مصنوعی است که به دنبال قابلیت یادگیری و ادراک سیستم های کامپیوتری است اعلام کرد : هدف در روش های یادگیری ماشین، استخراج دانش و یادگیری الگوها در داده ها است.
دسته بندی در موسسات مالی
نصیری درباره کاربردهای دسته بندی در موسسات مالی گفت: دسته بندی ها بر اساس تشخیص هویت مشتری با اثر انگشت، صدا و عنبیه و تشخیص تراکنش های متقلبانه صورت می گیرد.
روش مبتنی بر یادگیری ماشین
وی تاکید کرد: در این مدل هدف در روش یادگیری ماشین، استخراج دانش و یادگیری الگوها در داده است و از طریق دو شیوه اجرا می شود.
