МАШИНАЛЫҚ ОҚЫТУ АРҚЫЛЫ ҚАРЖЫЛЫҚ АЛАЯҚТЫҚТЫ АНЫҚТАУДЫҢ ӘДІСТЕРІ

Abstract

Машиналық оқыту арқылы қаржылық алаяқтықты анықтау

Технологиялық алаяқтыққа қарсы кешенді жүйе келесі қадамдарды қамтуы тиіс:

• Деректерді жинау: «Клиентіңді біл» (KYC) және «Ақшаны жылыстатуға қарсы күрес» (AML) сияқты талаптарды орындау үшін реттелетін салалар сенімді пайдаланушы профильдерін құруға қажетті барлық жеке ақпаратты жинауы тиіс. Әрине, алаяқтықты анықтау үшін транзакциялық деректерді де жинау қажет.
• Деректерді өңдеу: Алаяқтыққа қарсы бағдарламалық құралды пайдалану үшін деректер алдымен тазартылып, белгіленуі керек. Бұл деректерге кез келген алаяқтық операцияларды анықтау үшін өңдеу жүргізілуі тиіс. Кейбір шешімдер белгілі бір сценарийге байланысты деректерді өңдеуді аз немесе көп талап етеді. Мысалы, SEON пайдаланатын CatBoost деректерді минималды алдын ала өңдеуді қажет етеді.
• Машиналық оқыту моделін таңдау: Салалық ерекшеліктер мен деректердің сипатына қарай кейбір машиналық оқыту модельдері (және оларды қамтитын бағдарламалық шешімдер) басқалардан тиімдірек болуы мүмкін. Қаржылық салада XGBoost, LightGBM немесе CatBoost негізіндегі шешімдер жиі қолданылады.
• МО моделін оқыту: Тазартылған және өңделген деректер машиналық оқыту алгоритмін оқыту үшін пайдаланылады. Бұл кезеңде таңдалған бағдарламалық шешім заңды және алаяқтық операцияларды қарастырып, олардың арасындағы заңдылықтарды іздейді.
• Қолдану: Бағдарламалық құралды енгізгеннен кейін оны команда мүшелері белсенді түрде пайдалана алуы және бақылауы қажет. Бұл тәуекел деңгейлерін анықтау және қажет болған жағдайда қолмен тексеруді енгізуді қамтиды.
• Үздіксіз мониторинг: Қауіпсіздікті қамтамасыз ету үшін таңдалған платформа тәуекел шектерін жаңартуды және операцияларды қолмен белгілеу мүмкіндігін қамтамасыз етуі қажет.