亚博手机版-无需标注,这个AI能在大量数据中一眼识别欺诈攻击

本文摘要:深度自学给机械学习带来了很大的进步,但是为了超越好的训练结果,必须更加完整地显示数据。

深度自学给机械学习带来了很大的进步,但是为了超越好的训练结果,必须更加完整地显示数据。人们发展人工智能的愿景仍然是人工智能希望人工智能能能够从大量的重复性和机械性工作中释放出来,但目前人工智能仍然依赖于人工智能数据标志等重复人工劳动,成为许多人批评人工智能的一点。但是,并非所有的AI应用领域都能获得大量的显示数据,显示数据在不同领域也不同。

例如,在安全领域的反欺诈中,不必依赖标记数据的无监督机械学习技术,往往比有监督机械学习更好。反作弊领域的无监管机器学习DataVisor创始人兼任CEO谢映莲告诉他,安全性领域的反作弊不符合有监管的机器学习和深度自学需要大量的标志数据。

诈骗者一般处于活跃变化的状态,他们使用的诈骗手段变化非常快,而且他们为了保证自己不被鼓励检测到诈骗技术,在开始大规模反击之前进行测试。欺诈的手段日新月异,很难得到完整的标签数据,而且在得到任何标签之前,意味着损失已经发生,等待标签数据训练模型,欺诈者可能已经放弃了这种方法。

这三个问题制约了传统的欺诈检查和新兴的监督机械学习方法。传统的欺诈检测方法,如规则引擎、设备指纹、监督机械学习、半监督机械学习等,都有联合的局限性,反击再次发生后,必须根据未知的反击模式和样本检测未来的反击。

没有监督监督自学系统以在没有标签的情况下提前停止知道欺诈。虽然监督机器的学习和深入的自学非常热烈,但是从鼓励欺诈的领域来看,我们发现并非所有的AI技术都在所有景中发挥着一定程度的作用。那么,如何结合适当的技术和场景,确实解决问题行业的痛点呢?DataVisor的系统还包括四个最重要的组成部分:无监督机械学习引擎、有监督机械学习、自动规则引擎和全球智能信用库。无监管机器学习引擎能够同时剖析数十亿帐户和事件,必须标签和训练数据才可以自动考古有意帐户之间的涉嫌关联和相近度,并立即检测和捕捉整个诈骗团伙;有监管机器学习引擎能够运用无监管自学引擎分解的数据做到训练集,大大训练出有效的自学模型填补和强化规则引擎不可覆盖面积的简易诈骗不道德;自动规则引擎能够融合机器学习模型的能力和规则引擎的可解释性,并及时改版和出局现有规则;而全球智能信誉库运用深度自学计算,取得各种各样客户的信誉、IPI、手机网址、手机、手机、手机网址、手机、手机、手机等地址、手机、手机等。

基于上述技术,DataVisor开发了用户分析平台。该平台本身具有标准化和可扩展性,因此需要与不同的数据、不同的场景连接,经常出现8个应用场景。

无监督机械学习落地的不同场景谢映莲毕业于卡内基梅隆大学的计算机系统,获得博士学位,拥有多达10年的安全领域行业经验,仍致力于抑制大规模的网络反击,至今为止在微软公司硅谷研究院工作。2013年谢映莲在美国成立了DataVisor,当时机器学习方兴未艾,还没有像现在那样疯狂。2013年是企业全面变革互联网的时代,反欺诈领域也面临着新的机会。

反欺诈的场景从集中的在线场景变成了高度统一的在线场景。到目前为止,在金融领域,办理信用卡必须去银行柜台,办理保险也必须联系特定的代理人。现在,卡、贷款、购买保险可以在线展开,与个人的社交账户有关,数据可以交流。

另一个趋势是,现在一些公司开始跨越金融、保险、信用等领域。网上宣传欺诈成为新兴的大市场,有新的机会,这个领域还没有出现大玩家。反欺诈行业大大融合,领域不断扩大,反欺诈技术必须不具备强大的通用性,这是无监督机器学习的另一个优点。

有监督的机器学习完全需要场景的模型,需要数据的模型,没有监督的算法有自动感知性,可以自动找到不知道的场景,在模型的优化方面,对数据变化的容忍度更高。目前,DataVisor专注于提倡欺诈领域,但正式成立之初,谢映莲看到了无监督机器在其他领域学习的可能性,DataVisor可以成为平台型公司。

目前,DataVisor的服务对象主要有三种,社区和交易平台银行和互联网金融机构游戏和工具类应用。在社交应用中,诈骗团队一般不会大规模盗号,假冒用户展开诈骗;在电商应用中,故意的诈骗评论不会给商家带来相当严重的损失,薅羊毛党假冒大量新注册用户将平台优惠全部圈起来,不会造成大量资金损失;在金融领域,诈骗账号、盗刷、购买、刷黑钱的各种骗局层出不穷。在美国,DataVisor的用户包括游戏公司IGG、美食评论网站Yelp、照片社交软件Pinterest在中国,京东、大众评论、饱满、陌生、Blued等,共同利用先进设备的机械学习技术抵抗多维在线反击欺诈,如大规模欺诈登记、欺诈申请人、垃圾内容、玫瑰羊毛、欺诈安装等谢映莲告诉他(公共编号:),没有监督机器的学习还有很多潜在应用于场景,如基于用户的兴趣分析用户的转化率、用户萎缩的原因等。总结显然,与图像识别、语音识别、零售、医疗等领域相比,安全领域积累了数据,将机器学习应用于实践,为无监督机器学习技术取得了良好的数据基础。

许多行业仍处于前期数据收集过程,依赖大量数据显示。此外,安全领域是一个快速变化的行业,必须没有监督机器学习来慢慢识别新的欺诈反击。人工智能的愿景仍然是人工智能希望人们能够从大量的重复性和机械性工作中释放出来。

在这方面,需要显示数据的无监督机器学习将是未来的趋势。当然,谷歌的AutoML也致力于使AI更加自主、平民化,但他们解决问题的是模型设计部分。无监督机械学习在数据清除、模型优化方面也需要行业背景和老手AI员工参加。解读用户场景和市场需求,开展数据清除、模型设计和优化,是DataVisor的障碍和优势。

无监管机器学习具有很强的通用性,未来我们可能会看到无监管机器学习技术在更好的领域落地。有关文章:对于游戏行业的欺诈问题,DataVisor旗下的无监督算法可以制作什么样的原创文章,允许禁止发表。下一篇文章发表了注意事项。

本文关键词:亚博手机版

本文来源:亚博手机版-www.lingtingge.com

相关文章