Всем привет! Меня зовут Ростислав, я — технический директор в Kaizen. Мы занимаемся разработкой сайтов и it-решений для бизнеса, внедрением AI технологий для достижения различных целей.
Введение
Сегодня хочу поделиться тем, как нам посчастливилось принять участие в проекте с UniDays. UniDays — это компания, предоставляющая студентам и молодежи доступ к эксклюзивным скидкам и предложениям от различных брендов и магазинов. Они сотрудничают с университетами и колледжами, чтобы предоставить студентам привилегии при покупках и онлайн-покупках. Студенты в России повально использовали UniDays для получения студенческой подписки на Apple музыку
В рамках проекта создавался алгоритм машинного обучения для выявления мошеннических транзакций.
Какую проблему мы решали?
Unidays было необходимо определить, совершает ли аккаунт мошеннические операции, и, если да, предоставить информацию об этом. Сложность была в том, что существовал недостаток размеченных данных и не было формализованных критериев подозрительной активности
Какое решение использовали?
Как я уже сказал, единственные полезные данные, которые мы получили были время выкупа купона и платформа, на которой он был выкуплен. Поэтому мы начали с разработки собственных правил для определения подозрительных действий, сфокусировавшись на признаках автоматизации и нечеловеческого поведения.
При выборе библиотек для нашего проекта мы опирались на знание того, что нам предстоит работать с большими наборами данных, их графическим представлением, нечеткой логикой и машинным обучением.
Для обработки и манипулирования набором данных мы решили использовать библиотеку Pandas, так как мы знакомы с ее использованием, и она способна чистить данные с относительной легкостью и точностью, не потребляя большое количество ресурсов. Для создания графиков и визуализации данных, а также для работы с нечеткой логикой, мы выбрали библиотеку Matplotlib, так как она хорошо сочетается с типами графиков, которые мы будем использовать, и хорошо совместима с нашей библиотекой нечеткой логики SKfuzzy.
Мы выбрали библиотеку SciKit-Fuzzy, так как она является одной из наиболее доступных и широко используемых библиотек для нечеткой логики. Она написана на языке Python, который мы используем в нашем проекте. С помощью SciKit-Fuzzy мы можем создавать сложные графики, отображающие наши нечеткие результаты. Это означает, что у нас есть не только двоичная оценка подозрительности, но и более широкий диапазон подозрительности, что позволяет нам делать более обоснованные предположения о том, являются ли транзакции подозрительными.
В результате мы пришли вот к такой функции, которая по 6 правилам определяет подозрительную активность
Для простой работы с данными об определении мошеннической деятельности запустили простой самописный интерфейс
Заключение
В заключение, этот проект с Unidays прекрасно иллюстрирует пользу машинного обучения. Несмотря на недостаток размеченных данных и отсутствие четких критериев для определения подозрительной активности, мы смогли разработать алгоритм с использованием нечеткой логики.
Этот опыт показывает, что машинное обучение способно решать сложные задачи, даже когда исходные данные ограничены, и это мощный инструмент для предоставления ценной информации в бизнесе и научных исследованиях.
Если вы также хотите извлечь выгоду из возможностей машинного обучения в своем бизнесе, но возможно еще не понимаете, как конкретно это реализовать, мы приглашаем вас записаться на бесплатную консультацию по применению искусственного интеллекта
Разберём:
- Реализуемость и целесообразность ваших идей для внедрения, если они уже есть
- Лучшие практики на рынке для решения ваших задач
- Поделимся реальными кейсами внедрения AI, которые могут быть полезны и для вас
Выберите удобное время для бесплатной консультации по ссылке: https://qlick. io/ru/widget/zakhar-erokhov/consult/start