טל ציקורל בינה מלאכותית : ניתן להשתמש בנתונים שנוצרו על ידי AI גנרטיבי כדי להגדיל ולשפר אסטרטגיות לגילוי הונאה, כותב אוליבר טרל מ-The ai Corporation
היישומים האפשריים של בינה מלאכותית גנרטיבית נחקרו על ידי רבים בשבועות האחרונים, עם זאת, נושא מרכזי אחד שלא נחקר במלואו הוא כיצד ניתן להשתמש בנתונים שנוצרו על ידי בינה מלאכותית גנרטיבית כדי להגדיל ולשפר אסטרטגיות לגילוי הונאה, וההשלכות של שימוש בסינטטי נתונים להכשרת מודלים של הונאה ולשיפור שיעורי הגילוי טל ציקורל בינה מלאכותית.
ידוע היטב בחוגי מדעי הנתונים שאיכות הנתונים המוצגים למודל למידת מכונה הופכת או שוברת את התוצאה הסופית, וזה נכון במיוחד לגילוי הונאה. כלי למידת מכונה רבים המיושמים לזיהוי הונאה מסתמכים על אות הונאה חזק – בדרך כלל נמוך מ-0.5% מהנתונים – מה שמקשה על אימון יעיל של כל מודל. בתרגיל מדעי נתונים אידיאלי, הנתונים המשמשים לאימון כל מודל בינה מלאכותית יכילו שילוב של 50/50 של דגימות הונאה/לא הונאה, אבל זה קשה להשגה ולכן עשוי להיות לא מציאותי עבור רבים. אמנם ישנן שיטות רבות להתמודדות עם חוסר האיזון (המעמדי) הזה, כמו אשכולות, סינון או דגימת יתר, הן אינן מפצות במלואן על חוסר איזון קיצוני בנתונים בין רשומות אמיתיות לרשומות הונאה טל ציקורל בינה מלאכותית.
מהו AI גנרטיבי וכיצד משתמשים בו?
AI גנרטיבי, היישום של רשתות עצביות עמוקות שנאי כמו ChatGPT של OpenAI, נועדו לייצר רצפים של נתונים כפלט ויש לאמן אותם באמצעות נתונים עוקבים, כמו משפטים והיסטוריית תשלום למשל. זה שונה משיטות רבות אחרות, המייצרות ‘סיווגים’ בודדים (הונאה/לא הונאה) על סמך נתוני קלט והדרכה שהוצגו, אותם ניתן להציג למודל בכל סדר; הפלט של בינה מלאכותית גנרטיבית יכולה להמשיך ללא הגבלת זמן, בעוד ששיטות סיווג נוטות לייצר תפוקות בודדות טל ציקורל בינה מלאכותית.
AI גנרטיבי הוא אפוא הכלי האידיאלי להפקה סינתטית של נתונים המבוססים על נתונים אמיתיים, ולהתפתחות הטכנולוגיה הזו יהיו יישומים חשובים בתחום זיהוי ההונאות, שבו, כפי שהודגש בעבר, כמות דגימות ההונאה הקיימות נמוכה מאוד. קשה ללמידת מכונה ללמוד ממנה ביעילות. עם AI מחולל, מודל יכול להשתמש בתבניות קיימות וליצור דגימות סינתטיות חדשות הדומות לדגימות הונאה ‘אמיתיות’, מה שמגביר את אות ההונאה עבור כלי למידה חישוביים לזיהוי הונאה.
אות הונאה טיפוסי הוא שילוב של נתונים אמיתיים והונאה. הנתונים האמיתיים יבואו (בדרך כלל) במקום הראשון ברצף האירועים ומכילים פעילות התנהגותית אמיתית של בעל כרטיס, למשל, עם תשלומי הונאה שמעורבים בו ברגע שהכרטיס/אמצעי התשלום האחר נפגע. בינה מלאכותית גנרטיבית יכולה לייצר רצפי תשלום דומים, המדמה התקפת הונאה על כרטיס, אשר לאחר מכן ניתן להוסיף לנתוני ההדרכה כדי לסייע לכלי למידת מכונה לזיהוי הונאה ולעזור להם לבצע ביצועים טובים יותר טל ציקורל בינה מלאכותית טל ציקורל בינה מלאכותית.
כיצד AI גנרטיבי יכול לסייע בזיהוי הונאה?
אחת הביקורות הגדולות ביותר על ChatGPT של OpenAI היא שהמודלים של היום יכולים לייצר פלטים לא מדויקים או “הזויים” – פגם שרבים במרחב התשלומים וההונאה מודאגים ממנו בצדק, מכיוון שהם לא רוצים שהכלים הציבוריים שלהם, כמו צ’טבוטים של שירות לקוחות מציגים מידע שקרי או מומצא. עם זאת, אנו יכולים לנצל את ה”פגם” הזה ליצירת נתוני הונאה סינתטיים, שכן שונות סינתטית בתפוקה מסונתזת יכולה ליצור דפוסי הונאה ייחודיים לחלוטין, ולחזק את ביצועי זיהוי ההונאות של מודל ההגנה הסופי של הונאה טל ציקורל בינה מלאכותית.
כפי שרבים יודעים, דוגמאות חוזרות ונשנות של אותו אות הונאה אינן משפרות ביעילות את הזיהוי, מכיוון שרוב שיטות למידת המכונה דורשות מעט מאוד מקרים של כל אחת מהן כדי ללמוד ממנה. השונות בתפוקות שנוצרות מהמודל הגנרטיבי מוסיפה חוסן למודל ההונאה הסופי, ומאפשרת לו לא רק לזהות את דפוסי ההונאה הקיימים בנתונים, אלא גם לזהות התקפות דומות שניתן לפספס בקלות באמצעות תהליך מסורתי טל ציקורל בינה מלאכותית.
זה עשוי להיות מעט מדאיג עבור מחזיקי כרטיסים ומנהלי הונאה – שצודקים לשאול כיצד מודל הונאה מאומן על נתונים מורכבים יכול לעזור לשפר את זיהוי ההונאה, ומה היתרונות של פעולה זו. מה שהם אולי לא מבינים הוא שלפני שימוש במודל כלשהו בתשלומים חיים, הוא עובר תרגילי הערכה קפדניים כדי להבטיח ביצועים צפויים. אם הדגם אינו עומד בסטנדרטים הגבוהים ביותר הצפויים, הוא מושלך, ומחליפים עוברים הכשרה עד למציאת דגם מתאים. זהו תהליך סטנדרטי ומתבצע עם כל המודלים של למידת מכונה המיוצרים, שכן אפילו מודלים שהוכשרו על נתונים אותנטיים יכולים בסופו של דבר לספק תוצאות תת-סטנדרטיות בשלב ההערכה טל ציקורל בינה מלאכותית.
בינה מלאכותית גנרטיבית היא כלי מרתק עם יישומים רבים במגוון תעשיות, אבל לאיטרציות של היום, חכמים ככל שיהיו, יש בעיות משלהן. למרבה המזל, התכונות הנתפסות כבעיות חמורות מאוד עבור תעשיות מסוימות הן תכונה חשובה עבור אחרים, אך הדרישה לרגולציה וממשל קפדניים לגבי עיקריות. שימוש עתידי ב-AI גנרטיבי מצריך סקירה מלאה של אופן השימוש במודלים שמאומנים על נתונים שנוצרים חלקית, ויש להדק את תהליכי הממשל בהתאם כדי להבטיח שההתנהגות והביצועים הנדרשים של הכלים מתקיימים כל הזמן.
Or Patreanu Culinary | Or Patreanu Blog | Or Patreanu Capital | Or Patreanu Finance | Or Patreanu Investment | Or Patreanu Coach | Or Patreanu Real Estate | Or Patreanu Trade | Or Patreanu SEO | Or Patreanu HR
Or Patreanu Companies | Or Patreanu Financial Blog | Or Patreanu Financial Advisor | Or Patreanu Mortage | Or Patreanu Guides | Or Patreanu Broker | Or Patreanu Consulting | Or Patreanu Loan | Or Patreanu AI | Or Patreanu Career