Профессор кафедры «Инфокогнитивные технологии» Александр Гаврилов объяснил, что мошеннические переводы составляют тысячные доли процента от всего потока банковских платежей. Поэтому в наборах для обучения нейросети получают миллионы обычных операций и лишь единичные подтвержденные случаи обмана.

В такой ситуации алгоритм может выбрать наиболее простой путь к высокой формальной точности: считать почти все платежи нормальными. Модель редко ошибается на массиве законных переводов, но при этом пропускает мошеннические операции.

По данным Банка России, за прошлый год мошенники похитили у россиян 29,3 миллиарда рублей. Это на 6,4% больше показателя годом ранее, при этом банкам удалось вернуть клиентам менее 6% украденных средств.

Исследовательская группа Московского политеха рассмотрела несколько способов компенсировать нехватку примеров мошенничества. Метод SMOTE создает синтетические образцы подозрительных операций, не используя сведения о конкретных людях. Генеративно-состязательные сети также формируют правдоподобные, но вымышленные сценарии обмана, расширяя учебную выборку.

Разработчики применяют и взвешивание классов: при обучении модель сильнее учитывает пропуск мошеннического платежа. Это заставляет алгоритм тщательнее проверять операции с признаками риска.

Графовые нейросети оценивают не каждый перевод отдельно, а связи между счетами, клиентами и операциями. Такой подход помогает выявлять группы, которые действуют согласованно и могут остаться незамеченными при проверке отдельных платежей.

Системы обучения с подкреплением получают обратную связь о своих решениях и со временем меняют правила проверки под новые способы обмана без вмешательства разработчиков. Распределенные комплексы анализа в реальном времени способны обрабатывать тысячи операций за секунду, что важно для крупных банков и платежных сервисов.

Согласно одной из изученных работ, точность современных моделей машинного обучения в реальных задачах составляет от 88 до 94%. Наиболее высокие показатели дают сочетания нескольких алгоритмов с предварительной балансировкой данных.

В Московском политехе также указали на ограничения таких решений. Банки не могут свободно передавать сведения о подтвержденных случаях мошенничества из-за конфиденциальности клиентов, поэтому независимым разработчикам трудно сравнивать свои модели. Кроме того, сложные нейросети не всегда могут объяснить, почему сочли операцию подозрительной, а схемы мошенников меняются быстрее, чем обновляются обучающие данные.

ТАСС