Серия из нескольких частей с практическими примерами, использующими одноранговые (P2P) данные.

Обнаружение мошенничества — одна из самых сложных задач в области обработки данных. К счастью, Neo4j Graph Data Science (GDS) предлагает практические решения, которые позволяют специалистам по обработке и анализу данных быстро прогрессировать в аналитике обнаружения мошенничества и машинном обучении.

Краткое содержание

Независимо от того, отвечаете ли вы за борьбу с финансовыми преступлениями, кражей личных данных в Интернете, контрабандой или торговлей людьми, вы знаете о значительных расходах, связанных с мошенничеством, которое слишком долго остается незамеченным. Можно получить огромные преимущества, если бы вы могли использовать науку о данных и машинное обучение для раннего обнаружения мошенничества.

Несмотря на это, надежное обнаружение мошенничества остается одной из самых сложных задач науки о данных на сегодняшний день. Это связано с тем, что обнаружение мошенничества имеет уникальное качество — объект, который вы хотите предсказать, усердно пытается помешать вам сделать это. Это не просто проблема «иголки в стоге сена». В этом случае пресловутая игла активно пытается скрыться от вашего обнаружения.

К счастью, основанные на графах подходы явно моделируют отношения между сущностями в данных. Это, в сочетании с интуитивно понятными аналитическими возможностями Neo4j Graph Data Science (GDS), позволяет специалистам быстро исследовать, анализировать, устранять и прогнозировать мошеннические объекты и модели. Шаблоны, которые в противном случае остались бы запутанными и сложными для вывода в других моделях данных.

В этой серии блогов мы рассмотрим, как Neo4j и GDS могут быть практически применены к рабочему процессу обнаружения мошенничества. Мы изучим реальную выборку анонимных данных с одноранговой (P2P) платежной платформы, выявим схемы мошенничества, разрешим сообщества мошенников с высоким риском, а также применим методы рекомендаций и машинное обучение.

С помощью этих реальных данных P2P и с небольшими предварительными знаниями мы выявим новые риски мошенничества, которые остались незамеченными с помощью неграфических методов,увеличив число отмеченных пользователей на 87,5 процента. . Мы также продемонстрируем методы, позволяющие в дальнейшем рекомендовать похожие подозрительные учетные записи пользователей, и обучим модель машинного обучения прогнозировать аналогичные риски мошенничества.

Хотя здесь мы сосредоточились на этом конкретном наборе данных P2P, представленные методологии легко масштабируются и применимы к широкому спектру вариантов использования для обнаружения мошенничества. Он предназначен для представления более общего графического рабочего процесса, целью которого является выявление редких случаев людей и организаций, которые пытаются скрыть свою личность при выполнении гнусных действий.

Хотите узнать больше?