当某个程序没有按照设想执行，而是以恶意方式使用，从而对公司产生负面影响时，我们就谈论组织中的欺诈行为。通常我们将这个概念与经济问题、资本外逃联系在一起，但欺诈也被称为信息泄露或形象受损以及随之而来的信誉损失。而这恰恰是最不易察觉的欺诈行为，也是最不易察觉、最危险的欺诈行为。鉴于需要缓解这一问题，越来越多的创新解决方案不断出现，可以及早发现内部欺诈，并采取适当的措施。机器学习是最新高级分析系统的基础。知识工程研究所 (IIC) 与 atSistemas 合作，在不同的组织中开发这些解决方案，并使其适应他们的需求。IIC 大数据架构师Sergio Khayyat和 atSistemas 数据与分析主管 Carlos Ortiz 在网络研讨会中解释了这些内部欺诈检测系统的操作和优势。实时欺诈检测传统上，内部欺诈是通过被动方式发现的：事后对“盗窃”进行调查。审计将构成一种更主动的方法，作为一种分析手段，以减少事件发生和检测之间的时间，以或多或少地立即采取措施。
但理想的情况是对那些对欺诈敏
感的流程进行实时分析。这就是机 塞内加尔电话号码表 器学习系统发挥作用的地方，它依靠经验和常见的行为模式来检测那些偏离规范的行为以及可疑的欺诈行为。人类几乎不可能实时监控任何组织的活动。这就是为什么我们需要处理可用数据并训练一个预测模型，以便在潜在欺诈发生时自动识别它。速度是这些欺诈检测系统的区别要素，并且根据所分析的流程或多或少相关。有些活动需要系统在毫秒内运行，例如银行交易，以及其他需要较长时间范围的活动。重要的是，系统适应每个流程的独特性，在最短的时间内发出任何异常情况的警报。这就是为什么确定每个组织有兴趣分析的流程以及知道在哪里寻找数据非常重要。反欺诈解决方案我们从哪里获取数据？所有过程都会留下痕迹，无论是模拟的，还是在大多数情况下，都是数字的。数据就在那里，任何公司都可以通过这些检测系统采取反欺诈措施。然而，算法不适用于原始数据，必须对其进行转换。
知识工程研究所 负责解决这个问题
提供了用于检测内部欺诈的联合解决方案：从数据搜索到在机器学习算法中的实施。内 BJB目录 部欺诈该系统还必须与公司保持一致，因此IIC的理论和技术都以每个组织的情况为基础。该解决方案的价值在于：尽管它始终基于源自基础研究领域的算法，但该模型配置有针对客户环境定制的不同数据。此外，一旦选择了从中提取信息的源和存储库，就会从独立于客户端的系统收集和处理数据，这是一种尽可能减少侵入性的副本。处理后的信息将被集成到算法中，算法从给定的数据中学习以检测新的欺诈案例。通过这种方式，预测模型可以从问题中学习，并以警报或新数据的形式提供响应，然后返回并集成到组织的系统中。综上所述，发现内部欺诈的关键是积极主动，从一开始就将损失降到最低。至于如何实施解决方案：这种结合，了解公司的系统并以最佳方式应用正确的算法。
