كيف يتنبأ بوضوح بالأوامر الاحتيالية بدقة باستخدام Amazon Fraud Detector

تمت كتابة هذا المنشور بواسطة Ziv Pollak ، رئيس فريق التعلم الآلي ، وسارفي لولوي ، مهندس التعلم الآلي في Clearly. المحتوى والآراء الواردة في هذا المنشور تخص المؤلفين الخارجيين ولا تتحمل AWS مسؤولية محتوى أو دقة هذا المنشور.

كشركة رائدة في التسوق عبر الإنترنت ، أطلقت Clearly موقعها الأول في عام 2000. ومنذ ذلك الحين ، نمت لتصبح واحدة من أكبر بائعي النظارات بالتجزئة عبر الإنترنت في العالم ، حيث نزود العملاء في جميع أنحاء كندا والولايات المتحدة وأستراليا ونيوزيلندا بالنظارات ، النظارات الشمسية والعدسات اللاصقة ومنتجات صحة العين الأخرى. من خلال مهمتها للقضاء على ضعف البصر ، تسعى Clearly إلى جعل النظارات ميسورة التكلفة ومتاحة للجميع. يعد إنشاء منصة محسّنة للكشف عن الاحتيال جزءًا أساسيًا من هذه الرؤية الأوسع.

يعد التعرف على الاحتيال عبر الإنترنت أحد أكبر التحديات التي تواجهها كل مؤسسة للبيع بالتجزئة عبر الإنترنت - تُفقد مئات الآلاف من الدولارات بسبب الاحتيال كل عام. تزيد تكاليف المنتج وتكاليف الشحن وتكاليف العمالة للتعامل مع الطلبات الاحتيالية من تأثير الاحتيال. يعتبر تقييم الاحتيال السهل والسريع أمرًا بالغ الأهمية أيضًا للحفاظ على معدلات رضا العملاء العالية. لا ينبغي تأجيل المعاملات بسبب دورات التحقيق في الاحتيال المطولة.

في هذا المنشور ، نشارك كيف تم إنشاء خط أنابيب تنبؤ آلي منظم بشكل واضح باستخدام وظائف خطوة AWS، وتستخدم كاشف احتيال الأمازون لتدريب نموذج التعلم الآلي (ML) الذي يمكنه تحديد المعاملات الاحتيالية عبر الإنترنت ولفت انتباه فريق عمليات الفوترة إليها. يجمع هذا الحل أيضًا المقاييس والسجلات ويوفر التدقيق ويتم استدعاؤه تلقائيًا.

باستخدام خدمات AWS ، تم نشر حل مصمم بشكل جيد بدون خادم بشكل واضح في غضون أسابيع قليلة فقط.

التحدي: التنبؤ بالاحتيال بسرعة وبدقة

كان الحل الحالي من الواضح يعتمد على الإبلاغ عن المعاملات باستخدام قواعد مشفرة لم يتم تحديثها بشكل متكرر بما يكفي لالتقاط أنماط احتيال جديدة. بمجرد وضع علامة ، تمت مراجعة المعاملة يدويًا بواسطة أحد أعضاء فريق عمليات الفوترة.

هذه العملية الحالية لها عيوب كبيرة:

• عنيد وغير دقيق - كان من الصعب تحديث القواعد المشفرة لتحديد معاملات الاحتيال ، مما يعني أن الفريق لم يستطع الاستجابة بسرعة لاتجاهات الاحتيال الناشئة. لم تتمكن القواعد من تحديد العديد من المعاملات المشبوهة بدقة.
• مكثفة من الناحية التشغيلية - لم تستطع العملية توسيع نطاق الأحداث ذات حجم المبيعات المرتفع (مثل الجمعة السوداء) ، مما يتطلب من الفريق تنفيذ حلول بديلة أو قبول معدلات احتيال أعلى. علاوة على ذلك ، أضاف المستوى العالي من المشاركة البشرية تكلفة كبيرة لعملية تسليم المنتج.
• الطلبات المتأخرة - تأخر الجدول الزمني لاستيفاء الطلب بسبب مراجعات الاحتيال اليدوية ، مما أدى إلى عدم رضا العملاء.

على الرغم من أن عملية تحديد الاحتيال الحالية كانت نقطة انطلاق جيدة ، إلا أنها لم تكن دقيقة بما يكفي ولا بالسرعة الكافية لتلبية كفاءات تنفيذ الطلبات التي نرغب فيها بوضوح.

التحدي الرئيسي الآخر الذي واجهناه هو الافتقار إلى فريق ML ثابت - كان جميع الأعضاء مع الشركة أقل من عام عندما بدأ المشروع.

نظرة عامة على الحل: Amazon Fraud Detector

Amazon Fraud Detector هي خدمة مُدارة بالكامل تستخدم ML لتقديم كشف دقيق للغاية عن الاحتيال ولا تتطلب خبرة في تعلم الآلة. كل ما كان علينا فعله هو تحميل بياناتنا واتباع بعض الخطوات المباشرة. فحص Amazon Fraud Detector البيانات تلقائيًا ، وحدد أنماطًا ذات مغزى ، وأنتج نموذجًا لتحديد الاحتيال قادرًا على التنبؤ بالمعاملات الجديدة.

يوضح الرسم البياني التالي خط الأنابيب لدينا:

لتفعيل التدفق ، طبقنا سير العمل التالي:

1. أمازون إيفينت بريدج يستدعي خط أنابيب التزامن كل ساعة لمراجعة جميع المعاملات المعلقة.
2. تساعد وظائف الخطوة في إدارة خط أنابيب التزامن.
3. An AWS لامدا المكالمات الوظيفية أمازون أثينا واجهات برمجة التطبيقات لاسترداد وإعداد بيانات التدريب المخزنة عليها خدمة تخزين أمازون البسيطة (أمازون S3).
4. يعمل خط أنابيب منظم لوظائف Lambda على تدريب نموذج Amazon Fraud Detector ويحفظ مقاييس أداء النموذج في حاوية S3.
5. خدمة إعلام أمازون البسيطة تُعلم (Amazon SNS) المستخدمين عند حدوث مشكلة أثناء عملية الكشف عن الاحتيال أو عند اكتمال العملية بنجاح.
6. يقوم محللو الأعمال ببناء لوحات المعلومات عليها أمازون QuickSight، التي تستعلم عن بيانات الاحتيال من Amazon S3 باستخدام Athena ، كما سنوضح لاحقًا في هذا المنشور.

اخترنا استخدام Amazon Fraud Detector لعدة أسباب:

• تستفيد الخدمة من سنوات الخبرة التي تتمتع بها أمازون في مكافحة الاحتيال. هذا أعطانا ثقة كبيرة في قدرات الخدمة.
• سمحت لنا سهولة الاستخدام والتنفيذ بالتأكد بسرعة من أن لدينا مجموعة البيانات التي نحتاجها لتحقيق نتائج دقيقة.
• نظرًا لأن فريق Clearly ML كان عمره أقل من عام واحد ، فقد سمحت لنا الخدمة المُدارة بالكامل بتقديم هذا المشروع دون الحاجة إلى مهارات ومعرفة فنية عميقة في ML.

النتائج

تسمح لنا كتابة نتائج التنبؤ في بحيرة البيانات الموجودة لدينا باستخدام QuickSight لبناء مقاييس ولوحات معلومات للقيادة العليا. يمكّنهم ذلك من فهم هذه النتائج واستخدامها عند اتخاذ القرارات بشأن الخطوات التالية لتحقيق أهدافنا التسويقية الشهرية.

تمكنا من تقديم النتائج المتوقعة على مستويين ، بدءًا من الأداء العام للأعمال ثم التعمق في الأداء المطلوب لكل خط من مجالات الأعمال (جهات الاتصال والنظارات).

تتضمن لوحة التحكم الخاصة بنا المعلومات التالية:

• الاحتيال في اليوم حسب خطوط الأعمال المختلفة
  
• خسارة الإيرادات بسبب معاملات الاحتيال
  
• موقع معاملات الاحتيال (تحديد نقاط الاحتيال الساخنة)
  
• تأثير عمليات الاحتيال على رموز القسائم المختلفة ، مما يسمح لنا بمراقبة رموز القسيمة التي بها مشكلات واتخاذ المزيد من الإجراءات لتقليل المخاطر
  
• الاحتيال في الساعة ، والذي يسمح لنا بتخطيط وإدارة فريق عمليات الفوترة والتأكد من أن لدينا الموارد المتاحة للتعامل مع حجم المعاملات عند الحاجة

استنتاجات

يُعد التنبؤ الفعال والدقيق باحتيال العملاء أحد أكبر التحديات في ML للبيع بالتجزئة اليوم ، ويعد الفهم الجيد لعملائنا وسلوكهم أمرًا حيويًا لنجاح Clearly. قدمت Amazon Fraud Detector حلاً مُدارًا بالكامل لتعلّم الآلة لإنشاء نظام تنبؤ بالاحتيال دقيق وموثوق به بأقل قدر من النفقات العامة. تتميز تنبؤات Amazon Fraud Detector بدرجة عالية من الدقة ومن السهل إنشاؤها.

"مع أدوات التجارة الإلكترونية الرائدة مثل جرب الظاهري، جنبًا إلى جنب مع خدمة العملاء التي لا مثيل لها لدينا ، نسعى جاهدين لمساعدة الجميع على الرؤية بوضوح وبأسعار معقولة وبطريقة سهلة - مما يعني البحث باستمرار عن طرق لابتكار العمليات وتحسينها وتبسيطها ،قال الدكتور زيف بولاك ، قائد فريق التعلم الآلي. "يعد اكتشاف الاحتيال عبر الإنترنت أحد أكبر التحديات في التعلم الآلي في مجال البيع بالتجزئة اليوم. في غضون أسابيع قليلة فقط ، ساعدنا Amazon Fraud Detector في تحديد الاحتيال بدقة وموثوقية بمستوى عالٍ جدًا من الدقة ، وتوفير آلاف الدولارات."

---

عن المؤلف

د. زيف بولاك هو قائد تقني متمرس يعمل على تغيير طريقة استخدام المؤسسات للتعلم الآلي لزيادة الإيرادات وتقليل التكاليف وتحسين خدمة العملاء وضمان نجاح الأعمال. يقود حاليًا فريق التعلم الآلي في Clearly.

سارفي لولوي هو مهندس مساعد لتعلم الآلة في Clearly. باستخدام أدوات AWS ، تقوم بتقييم فعالية النموذج لدفع نمو الأعمال وزيادة الإيرادات وتحسين الإنتاجية.

المصدر: https://aws.amazon.com/blogs/machine-learning/how-clearly-accurately-predicts-fraudulent-orders-using-amazon-fraud-detector/