Активное использование россиянами смартфонов привело к значительному росту объема денежных переводов в электронном виде. Пользователь экономит время при переводе денежных средств, тем самым подвергая себя риску стать жертвой деятельности мошенников. По словам ученых, распознавания мошеннических операций требует большое количество временных и вычислительных затрат, поэтому возрастает актуальность использования более гибких вычислительных методов для обнаружения мошенничества.
В рамках работы над магистерской диссертацией на кафедре «Интеллектуальные системы в управлении и автоматизации» МТУСИ создана модель сверточной нейронной сети, целью функционирования которой является распознавание мошеннических транзакций.
Для реализации нейронной сети был использован набор данных веб-сайта Kaggle, состоящих из транзакций, осуществленных с помощью кредитных карт. Благодаря анализу данных, предварительной обработке данных, оценке модели, результатам программирования на языке Python и обучению в течение 40 эпох удалось добиться предварительных результатов. Простейшая модель сверточной нейронной сети хорошо обобщается на неизученные данные и имеет высокую точность в распознавании мошеннических действий. Однако, существует ряд проблем.
«Работа над исследованием продолжается. В дальнейшем будет проведено более фундаментальное обучение и тестирование работы нейросети. Существенно усложняет работу то, что банковская информация является конфиденциальной, данные о проведенных транзакциях получить практически невозможно. Модель сверточной нейронной сети может быть применена в качестве первой линии защиты от интернет-мошенничества», – рассказала Ирина Яблочникова, к.п.н., доцент кафедры «Интеллектуальные системы в управлении и автоматизации» МТУСИ.
Как отмечают ученые, при обучении нейросети дополнительно учитывались и такие данные, как: тип использованной банковской карты, характеристики устройства, с помощью которого была совершена банковская транзакция. Особенностью новой модели является то, что она учитывает определенные закономерности, по которым можно распознать противоправные действия. Например, при фильтрации транзакций анализируются временные метки и определяется, как давно человек открыл счёт в банке и в какой организации он обслуживается.
