چگونه به وضوح سفارشات جعلی را با استفاده از آشکارساز تقلب آمازون پیش بینی می کند

این پست توسط Ziv Pollak، سرپرست تیم یادگیری ماشین، و سروی لولویی، مهندس یادگیری ماشین در Clearly نوشته شده است. مطالب و نظرات این پست متعلق به نویسندگان شخص ثالث است و AWS مسئولیتی در قبال محتوا یا صحت این پست ندارد.

پیشگام در خرید آنلاین، Clearly اولین سایت خود را در سال 2000 راه اندازی کرد. از آن زمان، ما به یکی از بزرگترین خرده فروشان عینک آنلاین در جهان تبدیل شده ایم و به مشتریان در سراسر کانادا، ایالات متحده، استرالیا و نیوزلند عینک ارائه می کنیم. عینک آفتابی، لنزهای تماسی و سایر محصولات سلامت چشم. Clearly از طریق ماموریت خود برای از بین بردن ضعف بینایی، تلاش می کند تا عینک را برای همه مقرون به صرفه و در دسترس قرار دهد. ایجاد یک پلت فرم تشخیص تقلب بهینه، بخش کلیدی این چشم انداز گسترده تر است.

شناسایی کلاهبرداری آنلاین یکی از بزرگترین چالش‌های هر سازمان خرده‌فروشی آنلاین است - سالانه صدها هزار دلار به دلیل کلاهبرداری از دست می‌رود. هزینه‌های محصول، هزینه‌های حمل و نقل و هزینه‌های نیروی کار برای رسیدگی به سفارش‌های جعلی تأثیر کلاهبرداری را بیشتر می‌کنند. ارزیابی آسان و سریع تقلب نیز برای حفظ نرخ بالای رضایت مشتری حیاتی است. تراکنش ها نباید به دلیل چرخه های طولانی بررسی تقلب به تعویق بیفتد.

در این پست به اشتراک می گذاریم که چگونه Clearly یک خط لوله پیش بینی خودکار و هماهنگ با استفاده از توابع مرحله AWS، و استفاده می شود ردیاب تقلب آمازون برای آموزش یک مدل یادگیری ماشینی (ML) که می‌تواند تراکنش‌های جعلی آنلاین را شناسایی کرده و آن‌ها را مورد توجه تیم عملیات صورت‌حساب قرار دهد. این راه حل همچنین معیارها و گزارش ها را جمع آوری می کند، ممیزی را ارائه می دهد و به طور خودکار فراخوانی می شود.

با خدمات AWS، Clearly یک راه حل بدون سرور و با معماری خوب را تنها در چند هفته به کار گرفت.

چالش: پیش بینی تقلب به سرعت و با دقت

راه حل موجود Clearly مبتنی بر پرچم گذاری تراکنش ها با استفاده از قوانین سخت کدگذاری شده بود که به اندازه کافی به روز نمی شدند تا الگوهای کلاهبرداری جدید را ثبت کنند. پس از علامت گذاری، تراکنش به صورت دستی توسط یکی از اعضای تیم عملیات صورتحساب بررسی شد.

این فرآیند موجود دارای اشکالات عمده ای بود:

• انعطاف ناپذیر و نادرست - قوانین سخت کد شده برای شناسایی تراکنش های کلاهبرداری به سختی به روز می شدند، به این معنی که تیم نمی توانست به سرعت به روندهای کلاهبرداری در حال ظهور پاسخ دهد. قوانین قادر به شناسایی دقیق بسیاری از تراکنش های مشکوک نبودند.
• فشرده عملیاتی - این فرآیند نمی تواند به رویدادهای با حجم فروش بالا (مانند جمعه سیاه) برسد، و تیم را ملزم به اجرای راه حل ها یا پذیرش نرخ های تقلب بالاتر می کند. علاوه بر این، سطح بالای مشارکت انسانی هزینه قابل توجهی را به فرآیند تحویل محصول اضافه کرد.
• سفارشات با تاخیر - جدول زمانی انجام سفارش به دلیل بررسی های کلاهبرداری دستی به تاخیر افتاد که منجر به مشتریان ناراضی شد.

اگرچه فرآیند شناسایی کلاهبرداری موجود ما نقطه شروع خوبی بود، اما نه به اندازه کافی دقیق بود و نه به اندازه کافی سریع برای برآورده کردن کارایی های انجام سفارش که به وضوح می خواست.

چالش بزرگ دیگری که با آن روبرو بودیم، نبود یک تیم حقوقی ML بود - همه اعضا کمتر از یک سال با شروع پروژه در شرکت بودند.

بررسی اجمالی راه حل: آشکارساز تقلب آمازون

Amazon Fraud Detector یک سرویس کاملاً مدیریت شده است که از ML برای تشخیص تقلب بسیار دقیق استفاده می کند و نیازی به تخصص ML ندارد. تنها کاری که باید انجام می‌دادیم این بود که داده‌هایمان را آپلود کنیم و چند مرحله ساده را دنبال کنیم. آشکارساز تقلب آمازون به طور خودکار داده ها را بررسی کرد، الگوهای معنادار را شناسایی کرد و یک مدل شناسایی تقلب تولید کرد که قادر به پیش بینی تراکنش های جدید بود.

نمودار زیر خط لوله ما را نشان می دهد:

برای عملیاتی کردن جریان، گردش کار زیر را اعمال کردیم:

1. پل رویداد آمازون هر ساعت با خط لوله ارکستراسیون تماس می گیرد تا تمام تراکنش های معلق را بررسی کند.
2. توابع مرحله به مدیریت خط لوله ارکستراسیون کمک می کند.
3. An AWS لامبدا تماس های عملکردی آمازون آتنا APIهایی برای بازیابی و آماده سازی داده های آموزشی، ذخیره شده در سرویس ذخیره سازی ساده آمازون (Amazon S3).
4. یک خط لوله هماهنگ از توابع لامبدا یک مدل آشکارساز تقلب آمازون را آموزش می دهد و معیارهای عملکرد مدل را در یک سطل S3 ذخیره می کند.
5. سرویس اطلاع رسانی ساده آمازون (Amazon SNS) هنگامی که مشکلی در فرآیند کشف تقلب رخ می دهد یا زمانی که فرآیند با موفقیت به پایان می رسد به کاربران اطلاع می دهد.
6. تحلیلگران کسب و کار داشبوردهایی را روی آن می سازند آمازون QuickSight، که داده های کلاهبرداری آمازون S3 را با استفاده از Athena جستجو می کند، همانطور که در ادامه این پست توضیح می دهیم.

ما به چند دلیل استفاده از آشکارساز تقلب آمازون را انتخاب کردیم:

• این سرویس از سال ها تخصص آمازون در مبارزه با کلاهبرداری بهره می برد. این به ما اعتماد زیادی به قابلیت های این سرویس داد.
• سهولت استفاده و پیاده سازی به ما اجازه داد تا به سرعت تأیید کنیم که مجموعه داده ای را داریم که برای تولید نتایج دقیق نیاز داریم.
• از آنجایی که تیم Clearly ML کمتر از 1 سال سن داشت، یک سرویس کاملاً مدیریت شده به ما اجازه داد این پروژه را بدون نیاز به مهارت‌ها و دانش فنی عمیق ML ارائه دهیم.

نتایج

نوشتن نتایج پیش‌بینی در دریاچه داده‌های موجود به ما این امکان را می‌دهد که از QuickSight برای ساخت معیارها و داشبورد برای مدیران ارشد استفاده کنیم. این آنها را قادر می سازد تا هنگام تصمیم گیری در مورد مراحل بعدی برای رسیدن به اهداف بازاریابی ماهانه ما، این نتایج را درک کرده و از آنها استفاده کنند.

ما توانستیم نتایج پیش‌بینی را در دو سطح ارائه کنیم، از عملکرد کلی کسب‌وکار شروع کنیم و سپس به عملکرد مورد نیاز در هر خط کسب‌وکار (تماس‌ها و عینک‌ها) عمیق‌تر برویم.

داشبورد ما شامل اطلاعات زیر است:

• کلاهبرداری در روز در خطوط مختلف کسب و کار
  
• از دست دادن درآمد ناشی از معاملات کلاهبرداری
  
• محل معاملات تقلب (شناسایی نقاط داغ تقلب)
  
• تراکنش‌های کلاهبرداری توسط کدهای کوپن مختلف تأثیر می‌گذارند، که به ما امکان می‌دهد کدهای کوپن مشکل‌دار را رصد کنیم و اقدامات بیشتری برای کاهش ریسک انجام دهیم.
  
• تقلب در ساعت، که به ما امکان می‌دهد تیم عملیات صورت‌حساب را برنامه‌ریزی و مدیریت کنیم و اطمینان حاصل کنیم که منابعی برای رسیدگی به حجم تراکنش در صورت نیاز داریم.

نتیجه گیری

پیش‌بینی مؤثر و دقیق کلاهبرداری از مشتری یکی از بزرگترین چالش‌های ML برای خرده‌فروشی امروز است و داشتن درک خوب از مشتریان و رفتار آنها برای موفقیت Clearly حیاتی است. آشکارساز تقلب آمازون یک راه حل کاملاً مدیریت شده ML ارائه می کند تا به راحتی یک سیستم پیش بینی تقلب دقیق و قابل اعتماد با حداقل هزینه اضافی ایجاد کند. پیش‌بینی‌های آشکارساز تقلب آمازون از دقت بالایی برخوردار هستند و تولید آن ساده است.

"با ابزارهای پیشرو تجارت الکترونیک مانند مجازی را امتحان کنید، همراه با خدمات بی‌نظیر به مشتریان، ما تلاش می‌کنیم به همه کمک کنیم تا به روشی مقرون‌به‌صرفه و بدون دردسر به وضوح ببینند - که به این معنی است که دائماً به دنبال راه‌هایی برای نوآوری، بهبود و ساده‌سازی فرآیندها باشیم.دکتر Ziv Pollak، رهبر تیم یادگیری ماشین گفت. "امروزه کشف کلاهبرداری آنلاین یکی از بزرگترین چالش های یادگیری ماشینی در خرده فروشی است. فقط در چند هفته، آمازون Fraud Detector به ما کمک کرد تا به طور دقیق و قابل اعتماد کلاهبرداری را با دقت بسیار بالایی شناسایی کنیم و هزاران دلار صرفه جویی کنیم."

---

درباره نویسنده

دکتر زیو پولاک یک رهبر فنی باتجربه است که روش استفاده سازمان‌ها از یادگیری ماشین را برای افزایش درآمد، کاهش هزینه‌ها، بهبود خدمات مشتری و تضمین موفقیت کسب‌وکار تغییر می‌دهد. او در حال حاضر رهبری تیم یادگیری ماشین در Clearly را بر عهده دارد.

سروی لولویی مهندس دانشیار یادگیری ماشین در Clearly است. او با استفاده از ابزارهای AWS، اثربخشی مدل را برای هدایت رشد کسب‌وکار، افزایش درآمد و بهینه‌سازی بهره‌وری ارزیابی می‌کند.

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