Точно оценить, сколько именно топлива наливают в бак на заправке водитель не может — приходится доверять автоматической заправочной колонке. Но управляющий заправкой компьютер можно взломать и настроить недоливать немного топлива. Клиенты этого не замечают, а накопившиеся остатки можно потом продать.
Это распространённый вид мошенничества, но часто занимаются им не владельцы сетей АЗС, а начальники смен на конкретных заправках, заявил руководитель направления бизнес-аналитики SAP CIS Сергей Редько на конференции “Smart-АЗС” 15 марта в Москве.
Для этого злоумышленнику достаточно купить у хакеров специальные программы и установить их в информационную систему АЗС.
Компания SAP производит программы для управления бизнес-процессами. Её штаб-квартира расположена в Германии.
“Выявить такое мошенническое программное обеспечение в рамках компании-владельца АЗС традиционными методами контроля практически невозможно. Мы разработали способ использовать для их поиска искусственный интеллект”, — говорит Сергей Редько.
Разработанная SAP система устанавливается на стороне клиента. Сейчас её в России использует три сети АЗС. Раскрывать их названия представители SAP отказались.
На выходе программа выдаёт список подозрительных смен, угадывая мошенников с точностью 80-90%, уточнил Сергей Редько “Положению вещей”.
Система работает с обычными данными о работе заправки, например, информацией датчиков о давление и температуре топлива, расходе электроэнергии и так далее. Всего таких параметров около сотни. Выявление аномалий построено в несколько этапов.
На первом в число подозрительных попадают смены, данные о работе которых отклоняются от средних значений более, чем на два стандартных отклонения. Для их вычисления искусственный интеллект не нужен — такие отклонения видны на графике невооруженным взглядом как очень высокие зубья пилы. Эти смены проверяют всегда.
На втором этапе анализ проводят по временным окнам, объединяя данные за 3, 7 и 15 дней, и тоже ищут большие отклонения от средних значений. Здесь точность выявления злоумышленников достигает 70-80%.
И только на третьем этапе к анализу подключается нейронная сеть. Обычно нейросети предварительно обучают на выборке уже расследованных случаев, но на этот раз SAP использовала совсем зелёный искусственный интеллект, ограничив его на этапе постановки задачи.
“Нам было известно, что мошенничества происходят примерно в 1% смен, но обычными методами примечательных отклонений было выявлено заметно больше. От нейросети требовалось снизить число подозреваемых до 1% от выборки”, — пояснил “Положению вещей” специалист по нейронным сетям SAP CIS Сергей Наконечный.
Нейросеть смогла добавить к точности анализа ещё 10 процентных пунктов и довела её до 80-90%.
Эти данные передавались службам безопасности автозаправочных сетей, которые доступными им методами разбиралась, что стало причиной статистических аномалий в конкретных сменах, и был ли в этом умысел.
Результаты проверки усилий искусственного интеллекта в SAP успели вернуть две из трёх компаний. И оценки точности получены по итогам уже проведённых ими дознаний.
“Эта обратная связь нужна нам для обучения нейронной сети и ещё большего повышения её точности”, — уточнил Сергей Наконечный.
Представители SAP не стали говорить, сколько случаев мошенничества на АЗС, включая недолив топлива клиентам, удалось обнаружить с помощью разработанной компанией нейросети.
