В статье представлен анализ того, как метод машинного обучения снижает риск за счет использования скрытой марковской модели в борьбе с фродом в предотвращении мошенничества в финансовой сфере. Это связано с тем, что в ежегодных отчетах Всемирного экономического форума о глобальных рисках особое внимание уделялось мерам кибероуязвимости и кибербезопасности, возникла необходимость их предотвращения, прогнозирования. При обнаружении аномалий в транзакционной среде с помощью машинного обучения точно выявляются риски, а с помощью анализа оценивается вероятность мошеннических действий. Вероятности неожиданных отклонений, происходящих для антифродовой системы, и свойства состояний системы можно рассматривать как стохастическую модель или процесс в соответствии с требованиями цепи Маркова. Поэтому при обнаружении неисправностей или в нашем случае мошенничества учитывается, что время между шагами не является постоянным, и переход в новое состояние зависит только от конечного состояния.
Предполагается, что можно смоделировать требуемую последовательность данных с помощью программного обеспечения hmmlearn, используя СММ для прогнозирования действий, связанных с фродом, с помощью машинного обучения, а также можно обновить предсказанное утверждение, используя апостериорную вероятность. В результате заметно, что эффективность применения статистических подходов и правил в выявлении и снижении риска, связанного с финансовым мошенничеством, зависит от правильного анализа больших объемов данных. Однако для фрода излагается необходимость учитывать такие меры, как сложность доступа к конфиденциальным финансовым данным и сложность их реализации при использовании скрытой Марковской модели, высокие требования к четкому описанию матрицы переходов исходных состояний.
Однако при использовании скрытой Марковской модели для выявление фрода необходимо учитывать такие меры, как сложность доступа к конфиденциальным финансовым данным и сложность алгоритма их реализации, высокие требования к четкому описанию матрицы переходов исходных состояний.
ключевые слова: антифрод, фрод, вероятность, скрытая марковская модель, машинное обучение, темпоральные данные, анализ потока данных.
