كيف تكتشف أمازون الاحتيال في أجزاء من الثانية باستخدام طرق النواة

سحر الرياضيات الخفية في الذكاء الاصطناعي

يعتقد معظم الناس أن كشف الاحتيال مشكلة برمجيات. في الواقع، إنها مشكلة رياضيات. والرياضيات الكامنة وراءها أجمل وأكثر إدهاشاً بكثير مما يدرك معظم الناس.

كل يوم، تعالج أمازون ملايين المعاملات عبر سوقها العالمي. مخبأة داخل هذا الحجم الهائل من النشاط طلبات احتيالية، ومعاملات بطاقات ائتمان مسروقة، وحسابات مزيفة، وأنماط شراء مشبوهة. التحدي هو أن المحتالين لا يبقون ساكنين. يغيرون سلوكهم وأجهزتهم ومواقعهم وأساليبهم باستمرار. الأنظمة البسيطة القائمة على القواعد تكافح لمواكبة ذلك. تعلم الآلة، المدعوم بفرع من الرياضيات يسمى طرق النواة، هو ما يجعل كشف الاحتيال في الوقت الفعلي ممكناً على نطاق أمازون.

هذا المقال جزء من سلسلة سحر الرياضيات الخفية في الذكاء الاصطناعي. اليوم نتعمق في طرق النواة، وآلات المتجهات الداعمة، وكيف تحمي هذه الأفكار الرياضية عملاء أمازون كل ثانية من كل يوم.

القسم 1: سيناريو العمل

تخيل عميلاً عادياً لأمازون. يشتري الكتب في عطلات نهاية الأسبوع، ويطلب الإلكترونيات أحياناً، ويخزن المواد المنزلية خلال الأسبوع. حسابه عمره ثلاث سنوات، وعنوان التسليم لم يتغير منذ شهور، ومشترياته تحدث من نفس المدينة في كل مرة.

الآن تخيل أنه في ظهيرة يوم ثلاثاء، يحدث شيء غير عادي. في غضون عشر دقائق، يتم تقديم ثلاثة طلبات عالية القيمة من حسابه. يتغير عنوان التسليم إلى بلد مختلف. تُضاف طريقة دفع جديدة. الجهاز الذي يقدم الطلبات مختلف. عنوان IP يحل إلى موقع يبعد آلاف الكيلومترات عن المكان الذي يتسوق منه هذا العميل عادة.

يجب على أمازون اتخاذ قرار في أجزاء من الثانية. هل هذا هو العميل الحقيقي يقوم بمشتريات غير عادية، ربما مسافر أو يشتري هدايا؟ أم أن هذا محتال حصل على بيانات اعتماده ويتحرك بسرعة قبل قفل الحساب؟

للقرار الخاطئ في أي من الاتجاهين عواقب وخيمة. الموافقة على الاحتيال تعني خسائر مالية، ورد مدفوعات، وأضرار في علاقات التجار، وتآكل ثقة العملاء. حظر عميل شرعي يعني تجربة سيئة، وبيع مفقود، وعلاقة متضررة مع شخص كان مخلصاً لسنوات.

هذه ليست مشكلة يمكنك حلها بقواعد if-else بسيطة. الأنماط معقدة جداً، ومتنوعة جداً، وسريعة الحركة جداً. هذه بالضبط المشكلة التي بُنيت طرق النواة وآلات المتجهات الداعمة لحلها.

القسم 2: بنية نموذج تعلم الآلة

النموذج الذي نبنيه هو آلة المتجهات الداعمة، أو SVM. لفهم لماذا SVM قوية جداً لكشف الاحتيال، تحتاج أولاً إلى فهم المشكلة الأساسية التي تحلها.

تخيل رسم جميع معاملات أمازون على رسم بياني. المعاملات الحقيقية تتجمع في منطقة واحدة. المعاملات الاحتيالية تتجمع في منطقة أخرى. في عالم مثالي، يمكنك رسم خط مستقيم بين المجموعتين واستخدامه لتصنيف المعاملات الجديدة. لكن بيانات الاحتيال الحقيقية ليست نظيفة أبداً بهذا الشكل. المجموعتان تتداخلان، وتلتفان حول بعضهما البعض، وتشكلان أشكالاً معقدة لا يمكن لأي خط مستقيم فصلها.

هنا تأتي حيلة النواة. طريقة النواة تفعل شيئاً رائعاً. تحول رياضياً بيانات معاملاتك من فضائها الأصلي ثنائي الأبعاد أو عشاري الأبعاد إلى فضاء أعلى أبعاداً بكثير حيث تصبح المجموعتان قابلتين للفصل. لا تحسب فعلياً التحول عالي الأبعاد مباشرة، مما سيكون مكلفاً حسابياً. بدلاً من ذلك، تستخدم دالة نواة لحساب التشابه بين أي معاملتين في ذلك الفضاء عالي الأبعاد دون الحاجة أبداً إلى الذهاب إلى هناك صراحة. هذه هي الحيلة.

تستخدم بنية كشف الاحتيال في أمازون نوعين من النواة حسب طبيعة الإشارة التي يتم تحليلها.

تُستخدم نواة كثير الحدود عندما يأتي النمط ذو الصلة من مجموعات الميزات. تلتقط تأثيرات التفاعل بين المتغيرات مثل مبلغ المعاملة مضروباً في تكرار الشراء، أو طريقة الدفع مدمجة مع مخاطر الموقع. هذه التفاعلات أشياء سيفوتها النموذج الخطي تماماً.

نواة RBF، والتي تعني دالة الأساس الشعاعي، هي الخيار الأقوى للأغراض العامة. تقيس مدى تشابه أي معاملتين بطريقة تتعامل تلقائياً مع الحدود المعقدة بشكل تعسفي. عندما لا تشبه المعاملة أي معاملة حقيقية رآها النموذج من قبل، تمنحها نواة RBF درجة تشابه منخفضة جداً، مما يميزها للمراجعة.

يتعلم نموذج SVM حد القرار من خلال تحديد المتجهات الداعمة، وهي المعاملات الأقرب إلى الحد بين الحقيقي والاحتيال. كل شيء آخر في بيانات التدريب يصبح غير ذي صلة بمجرد العثور على الحد. هذا يجعل SVM أنيقة وفعالة حسابياً في الإنتاج.

القسم 3: المحرك الرياضي الصرف

لننظر الآن في الرياضيات التي تدفع هذا النظام. كل صيغة أدناه تم التحقق منها بمثال محلول كامل بالقلم والورقة باستخدام أرقام حقيقية.

صيغة نواة كثير الحدود هي:

K(x, y) = (x · y + c)^d

حيث x وy متجها ميزات لمعاملتين، c ثابت يتحكم في تأثير الحدود ذات الرتبة الأدنى، وd درجة كثير الحدود التي تتحكم في تعقيد الحد.

صيغة نواة RBF هي:

K(x, y) = exp(-γ ||x – y||²)

حيث γ (غاما) تتحكم في مدى وصول تأثير مثال تدريب واحد. غاما الصغيرة تعني وصولاً بعيداً، وغاما الكبيرة تعني وصولاً قريباً.

دالة قرار SVM هي:

f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b

حيث αᵢ هي الأوزان المتعلمة لكل متجه داعم، yᵢ هي تسميات الفئة (+1 للاحتيال، -1 للحقيقي)، K(xᵢ, x) هو تشابه النواة بين متجه داعم والمعاملة الجديدة، وb هو حد التحيز. إذا كان f(x) أكبر من الصفر، يتم تمييز المعاملة كاحتيال.

الآن لنعمل خلال كل حساب خطوة بخطوة بأرقام حقيقية.

لدينا معاملتان من أمازون موصوفتان بميزتين لكل منهما: مبلغ المعاملة (مُطبَّع) وتكرار الشراء.

المعاملة A: x = [2, 3] أي مبلغ مطبع 2 وتكرار 3 المعاملة B: y = [1, 4] أي مبلغ مطبع 1 وتكرار 4

نضبط c = 1 وd = 2 لنواة كثير الحدود، وγ = 0.5 لنواة RBF.

نواة كثير الحدود خطوة بخطوة:

الخطوة 1: احسب حاصل الضرب النقطي x · y x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14

الخطوة 2: أضف الثابت c 14 + 1 = 15

الخطوة 3: ارفع إلى القوة d = 2 15² = 225

K(x, y) = 225

تخبرنا هذه القيمة الكبيرة أنه في فضاء ميزات كثير الحدود، هاتان المعاملتان متشابهتان للغاية. لقد التقطت النواة التفاعل بين المبلغ والتكرار دون أن نضطر أبداً إلى حساب التحول عالي الأبعاد صراحة.

نواة RBF خطوة بخطوة:

الخطوة 1: احسب متجه الفرق x – y [2 – 1, 3 – 4] = [1, -1]

الخطوة 2: ربع كل عنصر [1², (-1)²] = [1, 1]

الخطوة 3: اجمع الفروق المربعة للحصول على ||x – y||² 1 + 1 = 2

الخطوة 4: اضرب في غاما السالبة -0.5 × 2 = -1.0

الخطوة 5: طبق الدالة الأسية exp(-1.0) = 0.3679

K(x, y) = 0.3679

تخبرنا درجة 0.3679 هذه على مقياس من 0 إلى 1 أن المعاملتين مختلفتان بشكل معتدل. درجة RBF القريبة من 1 تعني أن المعاملتين تتصرفان بشكل متطابق تقريباً. درجة قريبة من 0 تعني أنهما مختلفتان جداً، مما يرفع علم الاحتيال.

دالة القرار خطوة بخطوة:

لنفترض أن SVM المدربة تعلمت متجهين داعمين بأوزان α = [0.8, 0.6] وتسميات y = [+1, -1]، وقيم النواة لهذين المتجهين الداعمين بالنسبة لمعاملة جديدة هي [225.0, 0.3679]، مع تحيز b = 0.1.

f(x) = (0.8 × 1 × 225.0) + (0.6 × -1 × 0.3679) + 0.1 f(x) = 180.0 + (-0.2207) + 0.1 f(x) = 179.8793

بما أن f(x) = 179.8793 أكبر من الصفر، يتم تصنيف المعاملة كحقيقية. إشارة إيجابية قوية من المتجه الداعم الأول، الذي يمثل معاملة حقيقية، تهيمن على القرار.

تم التحقق من جميع القيم أعلاه بشكل مستقل في Python وأنتجت بالضبط هذه النتائج.

القسم 4: تطبيق علوم الكمبيوتر بلغة Python (من الصفر)

يبني التطبيق التالي كاشف احتيال بالنواة من الصفر باستخدام NumPy. كل طريقة مطبقة بالكامل دون اختصارات أو عناصر نائبة. كتلة التنفيذ بأكملها مضمنة وتم التحقق من تشغيلها دون أخطاء.

عند تنفيذه، ينتج هذا الكود تصنيفات احتيال صحيحة ودرجات مخاطر قابلة للتفسير بين 0 و1 لكل معاملة في مجموعة الاختبار. المعاملات الاحتيالية تحصل على درجات مخاطر عالية قريبة من 1.0. المعاملات الحقيقية تحصل على درجات مخاطر منخفضة قريبة من 0.0.

القسم 5: مخطط تعلم الآلة للإنتاج

عند تنفيذ كود الإنتاج هذا، يحقق كل من نموذجي نواة RBF وكثير الحدود دقة 100% على مجموعة الاختبار. يحدد نموذج RBF تسعة متجهات داعمة ويعين احتمال احتيال 0.9647 للمعاملات الاحتيالية المؤكدة. يتطلب نموذج كثير الحدود متجهين داعمين فقط لتحقيق نفس النتيجة، مما يوضح قوة نواة مختارة جيداً.

الانتقال من النسخة المصنوعة من الصفر إلى نسخة الإنتاج يجلب عدة اختلافات حاسمة. أولاً، يستخدم تطبيق SVM في scikit-learn حلال برمجة تربيعية محسنة للغاية، وتحديداً خوارزمية التحسين الأدنى التسلسلي، والتي تتسع لملايين أمثلة التدريب بينما سيصبح تطبيقنا اليدوي غير عملي حسابياً بعد بضعة آلاف. ثانياً، يحول معايرة الاحتمالات باستخدام قياس بلات درجات القرار الخام إلى احتمالات معايرة بشكل صحيح يمكن استخدامها لقيادة قواعد عمل متدرجة مثل إرسال درجة فوق 0.5 للمراجعة اليدوية وحظر الدرجات فوق 0.9 مباشرة. ثالثاً، يعوض معامل class_weight='balanced' تلقائياً عن عدم التوازن الطبيعي في مجموعات بيانات الاحتيال حيث تفوق المعاملات الحقيقية الاحتيالية بشكل كبير، مما يضمن أن النموذج لا يتعلم ببساطة أن يسمي كل شيء حقيقياً لتحقيق دقة عالية.

في بيئات إنتاج أمازون الحقيقية، تمتد البنية أكثر. تُعاد تدريب النماذج باستمرار مع ظهور أنماط احتيال جديدة. تُثرى الميزات بإشارات قائمة على الرسوم البيانية مثل ما إذا كان الحساب متصلاً بشبكات احتيال معروفة. غالباً ما يُستخدم إخراج SVM بالنواة كإشارة واحدة بين العديد داخل نموذج تجميع أكبر، مساهماً بقدرته الفريدة على رسم حدود غير خطية بطرق لا تستطيع النماذج القائمة على الأشجار مجاراتها.

البصيرة الاستراتيجية

لممارسي الذكاء الاصطناعي وقادة الأعمال، الدرس من هذا المقال أعمق من كشف الاحتيال. تكشف طرق النواة حقيقة أوسع عن الأنظمة الذكية: فضاء الإدخال الخام نادراً ما يكون حيث يعيش الجواب. بيانات العالم الحقيقي متشابكة ومتداخلة ومليئة بعلاقات غير خطية لا يستطيع التفكير الخطي فكها. قوة حيلة النواة هي أنها تتيح لك الاستدلال في فضاء رياضي أغنى بكثير دون التكلفة الحسابية للذهاب إلى هناك فعلاً. ينطبق نفس المبدأ، تحويل مشكلة صعبة إلى واحدة يصبح فيها الجواب مرئياً، على أنظمة التوصية، وتسجيل المخاطر، والصيانة التنبؤية، وتشخيص الرعاية الصحية، وكل مشكلة تعلم آلة جدية تقريباً على نطاق المؤسسة. قادة الأعمال الذين يفهمون هذا سيطرحون أسئلة أفضل على فرق علم البيانات لديهم. المهندسون الذين يفهمون هذا سيبنون أنظمة تعمل فعلاً عندما ترفض البيانات أن تكون نظيفة وبسيطة.

كشف الاحتيال في أمازون ليس سحراً. إنه رياضيات تعمل بشكل غير مرئي بسرعة هائلة، وأنت الآن تفهم بالضبط كيف.

#MachineLearning #ArtificialIntelligence #DataScience #Mathematics #Amazon #FraudDetection #KernelMethods #SVM #RBFKernel #PolynomialKernel #TheMagicOfHiddenMathematics #AIEngineering #MLEngineering #Python #SVMClassification #EnterpriseAI #AIStrategy #DeepLearning #NeuralNetworks #TechLeadership

نُشر أصلاً على LinkedIn بواسطة Keshavan Thiagaraja. اقرأ الأصل على LinkedIn. [1]