Come il deep learning può contribuire al rilevamento delle frodi

Machine Learning e Deep Learning. Secondo Cloudera possono giocare un ruolo importante nella lotta conto le frodi. Ecco perché

Pubblicato il 24 febbraio 2021

Una delle molte aree in cui l’apprendimento automatico (machine learning e deep learning) può fare la differenza in ambito enterprise è la capacità di fare previsioni accurate nel campo dell’individuazione delle frodi.

Identificare una transazione come fraudolenta è un requisito critico per le società di servizi finanziari, ma sapere che una transazione che è stata segnalata come fraudolenta da un sistema basato su regole è invece una transazione valida, può essere altrettanto importante. Oltre a esserci un costo associato a una transazione erroneamente segnalata come frode, questo può erodere la fiducia del cliente, preoccupato dal verificarsi di troppi falsi positivi sul suo conto.

Un approccio per risolvere questo problema è quello di aggiungere un modello automatico di machine learning a seguire il sistema basato su regole al fine di analizzare ulteriormente le transazioni segnalate come fraudolente, ed eliminare un maggior numero di falsi positivi. Un modello ben calibrato e accurato può prevedere quali sono i falsi positivi e ridurre i costi di follow-up, migliorando drasticamente la fiducia dei clienti.

Un approccio che si avvale del deep learning ha portato notevoli miglioramenti nelle prestazioni di molteplici campi e può essere applicato altrettanto bene all’individuazione delle frodi che presenta un grande squilibrio tra il numero di transazioni valide e quelle fraudolente, rendendo gli approcci tradizionali di machine learning supervisionato meno efficaci. Un’alternativa è quella di introdurre un approccio basato sul rilevamento delle anomalie: trovare il modello nelle transazioni valide e segnalare come potenzialmente fraudolente quelle che non vi rientrano.

Le anomalie, spesso indicate come outlier, sono dati puntuali o sequenze di dati che non si conformano a una nozione di comportamento normale. L’attività di anomaly detection quindi, consiste nel trovare quei modelli in dati che non aderiscono alle norme previste. La capacità di riconoscere o rilevare comportamenti anomali può fornire indicazioni molto utili in tutti i settori industriali. Segnalare o mettere in atto una risposta pianificata quando si verificano questi casi insoliti può far risparmiare alle aziende tempo, denaro e clienti.

Il rilevamento automatico e la corretta classificazione di qualcosa che non viene considerato anomalo è un problema impegnativo che è stato affrontato in molti modi diversi nel corso degli anni. Gli approcci tradizionali di machine learning si rivelano in realtà non ottimali quando si tratta di dati ad alta dimensione, perché non riescono a catturarne la complessa struttura. È qui che i metodi di deep learning possono rivelare il loro valore.

Il rapporto esamina una serie di importanti architetture di modelli di deep learning, tra cui gli autoencoder, gli autoencoder variazionali, le reti antagoniste generative e i metodi sequenza per sequenza, e analizza come possono essere applicati al compito di rilevamento delle anomalie, confrontandoli in termini di costi di formazione, inferenza e storage.

Fonte foto apertura: Pixabay_ahmedgad

Ricerca di Rockwell Automation: i produttori italiani sono sempre più orientati all’esecuzione e alla crescita
Rockwell Automation ha annunciato i risultati relativi all’Italia dell’11ª edizione del suo State of Smart Manufacturing Report. La ricerca evidenzia un cambiamento nell’approccio dei produttori italiani alla trasformazione digitale: oggi, infatti, crescita ed espansione della capacità produttiva...
Nozomi Networks Labs: attacchi ransomware minacciano il 30% del PIL mondiale, manifatturiero italiano nel mirino
Il 70% dell’attività ransomware globale è diretta verso i principali paesi anglofoni, secondo il più recente rapporto OT & IoT Security di Nozomi Networks Labs. Nella seconda metà dello scorso anno, il 40% di tutti gli attacchi...
Il futuro della CAM tra digital twin e AI
Il settore manifatturiero si prepara a un significativo salto di qualità in termini di produttività e flessibilità grazie all’evoluzione dei gemelli digitali intelligenti, capaci di comprendere e interpretare il funzionamento delle macchine. Alimentate dall’intelligenza artificiale e da...
Ottimizzare una linea di produzione in modo intelligente
Il machine learning consente controlli qualità affidabili in tempo reale nella produzione industriale Leggi l’articolo
Dai dati alle decisioni
AI e machine learning rivoluzionano la manifattura: dai dati nascono decisioni in tempo reale, manutenzione predittiva e processi adattivi. Infrastrutture avanzate e analisi continua migliorano efficienza, qualità e resilienza produttiva Leggi l’articolo
Automazione avanzata e OT cybersecurity
Dalla supervisione industriale al machine learning e alla sicurezza OT: tecnologie e visione di ServiTecno per l’industria digitale Leggi l’articolo
La fabbrica che decide
L’evoluzione non è una fabbrica senza uomini, ma una fabbrica che pensa con loro Leggi l’articolo
La Cina pone i robot basati sull’intelligenza artificiale al centro della strategia nazionale
La Cina ha varato il suo 15° piano quinquennale ponendo la robotica al centro del proprio sistema industriale moderno. L’obiettivo è orientare la ricerca sull’intelligenza artificiale verso applicazioni fisiche, con i robot come principali motori della crescita...
Gli OSCAR dell’AUTOMAZIONE: Miraitek: Ecosistema digitale per la gestione intelligente degli impianti. Il caso Cosberg
Nel contesto della manifattura avanzata, la collaborazione tra Miraitek e Cosberg ha dato vita a una piattaforma digitale universale per la gestione dell’intero ciclo di vita degli impianti di assemblaggio. La soluzione si articola in quattro applicazioni...
Attenzione all’intelligenza artificiale non gestita: può creare rischi di business, alla reputazione e normativi
L’adozione di modelli linguistici di grandi dimensioni (LLM) senza un’adeguata governance, verifica e supervisione, rischia di esporre a danni legali, finanziari e di reputazione. Il dato emerge da “Risks of Unmanaged AI Reliance: Evaluating Regional Biases, Geofencing,...