Fraude voorkomen met anomalie detectie

Het kan worden gebruikt van fraude tot kwaliteitscontrole. Financiële Anomalie Detectie is uitgegroeid tot een van de meest nuttige machine learning tools van de afgelopen vijf jaar. Is het mogelijk om fraudeurs in online review websites te isoleren? Kunnen frauduleuze financiële transacties worden gedetecteerd op het moment dat ze plaatsvinden? Kunnen live sensorgegevens informatie geven over storingen in het elektriciteitsnet voordat ze zich voordoen?

Financiële Anomalie Detectie biedt antwoorden op vragen als deze. Het identificeren van anomalieën in gegevens is een essentiële taak bij het begrijpen van gegevens. Door grote datasets bloot te stellen aan tools voor machinaal leren en statistische methoden, kunnen normale patronen in gegevens worden geleerd. Wanneer zich inconsistente gebeurtenissen voordoen, kunnen algoritmen voor anomalie detectie abnormaal gedrag isoleren en gebeurtenissen markeren die niet overeenstemmen met de geleerde patronen. Dergelijke functionaliteit is van cruciaal belang in veel zakelijke use-cases. Anomalie Detectie maakt toepassingen mogelijk in een groot aantal sectoren, van beveiliging tot financiën en IoT-monitoring. 

Grafieken op web schaal zijn tegenwoordig alomtegenwoordig en zijn een gangbare weergave van big data-structuren. Ze zijn de motor van zowel online als offline toepassingen. Enkele online voorbeelden van anomalie detectie zijn grote sociale netwerken, productaanbeveling engines, en financiële transactie grafieken. Offline: wegennetwerken, IoT-platforms en spanningssensoren in elektriciteitsnetten zijn allemaal bronnen van grote hoeveelheden grafiek achtige gegevens. Gegevens weergeven in de vorm van grafieken brengt zowel voordelen als uitdagingen met zich mee voor de eigenaars van deze datasets. Enerzijds kunnen zo datapunten en hun relaties in een multidimensionale ruimte worden weergegeven. Anderzijds zijn schaalbare algoritmen voor gegevensanalyse en -interpretatie nodig. Dit heeft geleid tot een verhoogde onderzoeksfocus op methoden zoals anomalie detectie op grafiekgegevens.

Representatie van de gegevens als een statische grafiek

Statische grafieken bevatten alleen connectiviteit informatie en negeren temporele informatie. Ze staan ook bekend als snapshots van grafieken en kunnen alleen worden gebruikt voor het opsporen van ongebruikelijke grafiek entiteiten (bijv. verdachte knooppunten, randen of sub grafieken). Voor veel praktische toepassingen is het temporele aspect echter even belangrijk: het is relevant om te weten wanneer de grafiek structuur is veranderd. Ter illustratie: in een statische grafiek die een netwerk verkeersstroom weergeeft, geeft een edge alleen aan dat er een verbinding is tussen een bron IP adres en een bestemming IP adres. Maar de temporele beschrijving van de rand ontbreekt en daarom is het tijdstip waarop de twee adressen met elkaar verbonden zijn onbekend. Aangezien statische grafieken dergelijke temporele informatie niet kunnen modelleren, bieden anomalie detectie methoden die op dergelijke grafieken zijn gebouwd slechts beperkte ondersteuning voor real-world toepassingen.

Meer weten? Tuuring.com