kunstig intelligens

Nevralt nettverk skal erstatte flere hundre håndskrevne regler hos Nets

Kampen mot svindel har ført til store investeringer innen advanced analytics hos Nets, men åpner også døra for såkalt prediktivt vedlikehold (predictive maintenance).

Illustrasjonsfoto.
Illustrasjonsfoto.

Svindel og misbruk av betalingskort har i årenes løp blitt mer avansert og vanskeligere å stoppe. Hos Nets i Danmark har de funnet et effektivt mottiltak i avansert dataanalyse (advanced analytics), forteller Claus Aagaard Pedersen, som er sjef for Nets’ avdeling for advanced analytics med navnet Data Analytics Factory.

– Vi har sett en utvikling innenfor svindel i de siste årene, hvor de kriminelle tar i bruk ny teknologi. Og da blir vi nødt til å møte disse utfordringene, sier han.

Dette har Nets blant annet gjort ved å investere i avansert analytikk.

– Denne teknologien gjør oss i stand til å snu trenden ytterligere. Det er enormt viktig for oss at vi har kommet tilbake på en «baseline» som vi holder, sier Claus Aagaard Pedersen.

– Vi registrerer at svindel-bekjempelse krever et skifte fra å være menneskedrevet til å være stadig mer maskindrevet. Du må for eksempel være i stand til å kjenne igjen mønstre i transaksjonshistorikken, fortsetter han.

Hundrevis av regler

Svindel-bekjempelse hos Nets er nå – som tidligere – basert på å kjenne igjen mønstre i transaksjonsdata; noe som historisk indikerer svindel.

– Hvis en person stjeler kortet ditt og finner ut av koden din, vil du vanligvis se en adferd hvor det kan bli hevet kontanter i én automat og kort tid etterpå enda flere i en automat like i nærheten, forklarer Claus Aagaard Pedersen. – Disse mønstrene har vi tidligere sittet og lagt inn i systemene våre som enkeltregler.

I tidens løp har systemet vokst til å omfatte hundrevis av regler. Og det blir for mange til at den menneskelige hjernen kan se de store sammenhengene, påpeker Claus Aagaard Pedersen.

– Det blir litt som å sitte med et enormt Excel-ark og prøve å få oversikt over alle tallene uten å visualisere dem.

Redusere falske positive

Selve det å ta imot data i sanntid og avgjøre på millisekunder om en betaling skal gå gjennom, har lenge blitt praktisert hos Nets. Den store endringen nå er at man lar statistiske modeller kjenne igjen mønstre og regne ut reglene, forteller Claus Aagaard Pedersen.

– Vi trener et nevralt nettverk og reduserer hundrevis av regler til én masterregel som vi kan oppdatere hver uke med nye data som kommer inn, sier Claus Aagaard Pedersen. – Den regelen kan vi legge inn i de sanntidssystemene som vi har i dag, og som reagerer i løpet av millisekunder når det kommer inn en transaksjon.

I tillegg til effektiviteten viser det seg at bruk av nevrale nettverk kan redusere antallet falske positive betydelig, forteller Claus Aagaard Pedersen.

– Når du har et slikt system, vil du noen ganger sperre kort som ikke skulle vært sperret. For eksempel når en person reelt sto i Uganda og skulle betale for en vare. Og der kan vi se at det nevrale nettverket er ekstremt presist. Med den historikken vi har, kan vi trene den til å produsere veldig få av de falske positivene som ingen ønsker.

Prediktivt vedlikehold på terminaler

Siden svindel har vært pådriver for investeringer i avansert analytikk, har det også åpnet for andre use cases hos Nets. For tiden ser dataavdelingen blant annet på prediktivt vedlikehold på fysiske terminaler.

– Hvis vi kan forutsi en feil på en terminal og proaktivt fikse den, kan vi spare en butikk for et dyrt avbrudd. Når man ser på tvers av hele bransjen, kan det bli en skikkelig stor innsparing, sier Claus Aagaard Pedersen.

Alle terminaler lagrer loggdata, som for eksempel kan vise at den har brukt lengre tid på å levere en beregning eller vært langsommere til å lese et kort.

– På bakgrunn av dette kan vi trene algoritmer til å forutsi feil. Og tjenesten kan forbedres ytterligere ved å montere enda flere sensorer i terminalen for å videreføre dette, sier Claus Aagaard Pedersen.

Artikkelen har tidligere vært publisert på Datatech. Datatech tilhører Teknologiens Mediehus.

Powered by Labrador CMS