Tabla de contenidos
Un sistema de detección de fraudes (FDS) basado en técnicas de aprendizaje supervisado, no podrá rastrear a los nuevos estafadores. Una solución consta de un conjunto de técnicas supervisadas y no supervisadas que garantizará que el FDS sea capaz de prevenir tanto patrones de fraude comunes como nuevos. En este articulo aprende sobre la detección de grafos con análisis de datos.
Las técnicas no supervisadas en la detección de fraudes suelen ser una variante de la detección de anomalías. Un enfoque que se basa en grafos, es muy eficaz en su capacidad para detectarlas mediante el análisis de datos conectados.
Los grafos son una abstracción útil del dominio financiero. Los nodos representan entidades, mientras que los bordes codifican relaciones que incluyen transacciones. Los grafos proporcionan una forma natural de comprender los vínculos entre entidades.
Razones por las que los grafos tienen ventajas significativas sobre otras técnicas para la detección de anomalías.
- Las entidades de interés están relacionadas y son dependientes. Codificar esa relación es importante para la aplicación FDS. Los grafos representan naturalmente las relaciones entre los nodos como bordes y eso permite una representación más rica de la información.
- Interrelación de anomalías en sí mismas. Por ejemplo, es probable que una persona a la que se haya perpetuado un fraude oportunista se lo cuente a sus amigos (entidades relacionadas en un grafo) y que ellos hagan lo mismo.
- Los grafos son más robustos a los ataques adversarios. Representan correlaciones a largo plazo que son más difíciles de imitar incluso para los estafadores avanzados.
Existen múltiples enfoques para la detección de anomalías en grafos. Algunos de los métodos más utilizados se basan en:
- Estructuras (egonet).
- Comunidad (Autopart).
- Aprendizaje de relaciones (redes de dependencia relacional).
Obstáculos
Aunque prometedor, el enfoque anterior no se escala en grafos grandes debido al problema de la escasez. Por ejemplo, un grafo de todas las entidades en un sistema financiero realista tendrá millones de nodos escasamente conectados. Las bases de datos de grafos modernas tienen gran complejidad temporal para un sistema de detección de fraude en tiempo real.
Solución
Para superar el desafío de la escasez y conservar las ventajas de una representación en el análisis grafos, están ganando popularidad nuevos enfoques como el aprendizaje de representación en red (NRL, Network Representation Learning). En este enfoque, se utiliza una incrustación de grafos para aprender una representación latente de los vértices en una red a gran escala. Estas representaciones se utilizan después en la tarea de clasificación o detección de anomalías río-abajo (downstream). Node2vec es uno de esos enfoques que permite “mapear nodos en un espacio de características de baja dimensión que maximiza la probabilidad de preservar los vecindarios de la red de nodos”.
No se necesita supervisar los algoritmos NRL, por lo tanto, tienen importantes ventajas en las redes financieras prácticas al eliminar la necesidad de supervisión humana.
Graficar redes neuronales para la detección de anomalías
GraphSAGE, un proyecto de código abierto de Stanford, es un conjunto de herramientas NRL que se basa en redes neuronales profundas. Tensorflow es la plataforma ideal para desarrollar un sistema de detección de anomalías para FDS.
GraphSAGE se puede utilizar para desarrollar una incrustación para cada nodo en el gráfico de transacciones de la entidad. Esto es equivalente al enfoque Node2Vec descrito anteriormente. Una vez que esta incrustación está disponible, estas nuevas características se utilizan para predecir anomalías utilizando técnicas como un bosque de aislamiento.
Te puede interesar. La importancia del análisis de datos para prevenir fraude
Si te gustó esta publicación, te invitamos a compartirla en tus redes sociales.
Publicaciones relacionadas
Cómo Trabajar con Proveedores para Prevenir el Fraude
En un mundo empresarial cada vez más interconectado y digitalizado, la colaboración con proveedores para prevenir el fraude se ha convertido en un elemento crucial para garantizar la integridad y la sostenibilidad de las operaciones comerciales. La prevención del fraude no solo protege los recursos financieros, sino que también salvaguarda la reputación y la confianza…
Leer más Cómo Trabajar con Proveedores para Prevenir el Fraude
La importancia de la Educación en Prevención de Fraude
La prevención del fraude comienza con la comprensión de sus fundamentos. En el contexto actual, caracterizado por una rápida digitalización, la educación en prevención de fraude se vuelve esencial. Esta educación no solo se enfoca en las prácticas para detectar y prevenir fraudes, sino también en fomentar una cultura de concienciación en individuos y organizaciones.…
Leer más La importancia de la Educación en Prevención de Fraude
Las últimas tendencias en Fraude en el Sector Financiero
En un mundo cada vez más digitalizado, el fraude en el sector financiero ha emergido como un desafío crítico, impactando tanto a instituciones financieras como a consumidores. A medida que avanzan la tecnología y la digitalización de los servicios financieros, los métodos de fraude se vuelven más sofisticados y difíciles de detectar. Esta introducción busca…
Leer más Las últimas tendencias en Fraude en el Sector Financiero
Spear Phishing: Tácticas y Técnicas de los Atacantes
En el vasto mundo de la ciberseguridad, uno de los desafíos más persistentes y evolutivos que enfrentan tanto las corporaciones como los individuos es el Spear Phishing. A diferencia de los ataques de phishing tradicionales, que suelen ser amplios y menos específicos, el Spear Phishing es un ataque dirigido y personalizado. Estos atacantes no lanzan…
Leer más Spear Phishing: Tácticas y Técnicas de los Atacantes