কার্নেল পদ্ধতি ব্যবহার করে অ্যামাজন কীভাবে মিলিসেকেন্ডে জালিয়াতি শনাক্ত করে

এআই-এর লুকানো গণিতের জাদু

বেশিরভাগ মানুষ মনে করে জালিয়াতি শনাক্তকরণ একটি সফটওয়্যার সমস্যা। বাস্তবে, এটি একটি গণিতের সমস্যা। আর এর পেছনের গণিত বেশিরভাগ মানুষের ধারণার চেয়ে অনেক বেশি সুন্দর এবং আশ্চর্যজনক।

প্রতিদিন, অ্যামাজন তার বিশ্বব্যাপী মার্কেটপ্লেস জুড়ে লক্ষ লক্ষ লেনদেন প্রক্রিয়া করে। এই বিশাল পরিমাণ কার্যকলাপের মধ্যে লুকিয়ে থাকে জালিয়াতিমূলক অর্ডার, চুরি হওয়া ক্রেডিট কার্ড লেনদেন, ভুয়া অ্যাকাউন্ট এবং সন্দেহজনক ক্রয়ের ধরন। চ্যালেঞ্জ হলো জালিয়াতকারীরা স্থির থাকে না। তারা ক্রমাগত তাদের আচরণ, ডিভাইস, অবস্থান এবং পদ্ধতি বদলায়। সরল নিয়ম-ভিত্তিক সিস্টেম তাল মিলাতে হিমশিম খায়। কার্নেল পদ্ধতি নামক গণিতের একটি শাখা দ্বারা চালিত মেশিন লার্নিংই অ্যামাজনের স্কেলে রিয়েল-টাইম জালিয়াতি শনাক্তকরণ সম্ভব করে।

এই নিবন্ধটি এআই-এর লুকানো গণিতের জাদু সিরিজের অংশ। আজ আমরা কার্নেল পদ্ধতি, সাপোর্ট ভেক্টর মেশিন এবং এই গাণিতিক ধারণাগুলো কীভাবে প্রতিদিন প্রতি সেকেন্ডে অ্যামাজনের গ্রাহকদের রক্ষা করে তা গভীরভাবে দেখব।

বিভাগ ১: ব্যবসায়িক পরিস্থিতি

একজন সাধারণ অ্যামাজন গ্রাহকের কথা কল্পনা করুন। সে সপ্তাহান্তে বই কেনে, মাঝে মাঝে ইলেকট্রনিক্স অর্ডার করে এবং সপ্তাহের মধ্যে গৃহস্থালি জিনিস মজুদ করে। তার অ্যাকাউন্ট তিন বছর পুরনো, ডেলিভারি ঠিকানা মাসের পর মাস একই, এবং কেনাকাটা প্রতিবার একই শহর থেকে হয়।

এখন কল্পনা করুন, একটি মঙ্গলবার দুপুরে কিছু অস্বাভাবিক ঘটে। দশ মিনিটের মধ্যে তার অ্যাকাউন্ট থেকে তিনটি উচ্চ-মূল্যের অর্ডার দেওয়া হয়। ডেলিভারি ঠিকানা অন্য দেশে বদলে যায়। একটি নতুন পেমেন্ট পদ্ধতি যোগ হয়। অর্ডার দেওয়া ডিভাইসটি আলাদা। আইপি ঠিকানাটি এমন একটি অবস্থানে নির্দেশ করে যা এই গ্রাহকের স্বাভাবিক কেনাকাটার জায়গা থেকে হাজার হাজার কিলোমিটার দূরে।

অ্যামাজনকে মিলিসেকেন্ডে সিদ্ধান্ত নিতে হবে। এটা কি আসল গ্রাহকের অস্বাভাবিক কেনাকাটা, হয়তো সে ভ্রমণ করছে বা উপহার কিনছে? নাকি একজন জালিয়াতকারী তার তথ্য পেয়ে অ্যাকাউন্ট লক হওয়ার আগে দ্রুত কাজ করছে?

যেকোনো দিকে ভুল সিদ্ধান্তের মারাত্মক পরিণতি আছে। জালিয়াতি অনুমোদন মানে আর্থিক ক্ষতি, চার্জব্যাক, বণিক সম্পর্কের ক্ষতি এবং গ্রাহক আস্থার ক্ষয়। একজন সৎ গ্রাহককে ব্লক করা মানে খারাপ অভিজ্ঞতা, হারানো বিক্রয় এবং বছরের পর বছর অনুগত একজন মানুষের সঙ্গে ক্ষতিগ্রস্ত সম্পর্ক।

এটি এমন সমস্যা নয় যা সরল if-else নিয়ম দিয়ে সমাধান করা যায়। ধরনগুলো অতিরিক্ত জটিল, অতিরিক্ত বৈচিত্র্যময় এবং অতিরিক্ত দ্রুতগতির। কার্নেল পদ্ধতি এবং সাপোর্ট ভেক্টর মেশিন ঠিক এই সমস্যা সমাধানের জন্যই তৈরি।

বিভাগ ২: মেশিন লার্নিং মডেলের আর্কিটেকচার

আমরা যে মডেলটি তৈরি করছি তা হলো সাপোর্ট ভেক্টর মেশিন, বা SVM। জালিয়াতি শনাক্তকরণে SVM কেন এত শক্তিশালী তা বুঝতে, প্রথমে এটি যে মৌলিক সমস্যা সমাধান করে তা বুঝতে হবে।

সব অ্যামাজন লেনদেন একটি গ্রাফে চিত্রিত করার কথা কল্পনা করুন। প্রকৃত লেনদেন এক এলাকায় জড়ো হয়। জালিয়াতিমূলক লেনদেন অন্য এলাকায় জড়ো হয়। আদর্শ বিশ্বে, দুই দলের মাঝে একটি সরল রেখা টেনে নতুন লেনদেন শ্রেণিবদ্ধ করা যেত। কিন্তু বাস্তব জালিয়াতির ডেটা কখনোই এত পরিষ্কার নয়। দুই দল ওভারল্যাপ করে, একে অপরকে ঘিরে থাকে এবং এমন জটিল আকৃতি তৈরি করে যা কোনো সরল রেখা আলাদা করতে পারে না।

এখানেই কার্নেল কৌশল আসে। কার্নেল পদ্ধতি একটি অসাধারণ কাজ করে। এটি গাণিতিকভাবে আপনার লেনদেনের ডেটাকে তার মূল দ্বি-মাত্রিক বা দশ-মাত্রিক স্থান থেকে অনেক উচ্চ-মাত্রিক স্থানে রূপান্তরিত করে যেখানে দুই দল আলাদা করা যায়। এটি সরাসরি সেই উচ্চ-মাত্রিক রূপান্তর গণনা করে না, যা গণনাগতভাবে ব্যয়বহুল হতো। বরং, এটি একটি কার্নেল ফাংশন ব্যবহার করে সেই উচ্চ-মাত্রিক স্থানে যেকোনো দুটি লেনদেনের মধ্যে সাদৃশ্য গণনা করে, সেখানে স্পষ্টভাবে না গিয়েই। এটাই কৌশল।

অ্যামাজনের জালিয়াতি শনাক্তকরণ আর্কিটেকচার বিশ্লেষণ করা সংকেতের প্রকৃতি অনুযায়ী দুই ধরনের কার্নেল ব্যবহার করে।

পলিনোমিয়াল কার্নেল ব্যবহৃত হয় যখন প্রাসঙ্গিক ধরনটি বৈশিষ্ট্যের সংমিশ্রণ থেকে আসে। এটি ভেরিয়েবলের মধ্যে মিথস্ক্রিয়া প্রভাব ধরে, যেমন লেনদেনের পরিমাণ গুণিত ক্রয়ের ফ্রিকোয়েন্সি, বা পেমেন্ট পদ্ধতির সঙ্গে অবস্থানগত ঝুঁকির সমন্বয়। এই মিথস্ক্রিয়াগুলো এমন জিনিস যা একটি রৈখিক মডেল পুরোপুরি মিস করবে।

RBF কার্নেল, যার অর্থ রেডিয়াল বেসিস ফাংশন, হলো সাধারণ উদ্দেশ্যে সবচেয়ে শক্তিশালী পছন্দ। এটি যেকোনো দুটি লেনদেন কতটা মিল সেটি এমনভাবে পরিমাপ করে যা স্বয়ংক্রিয়ভাবে যেকোনো জটিল সীমানা সামলায়। যখন কোনো লেনদেন মডেলের আগে দেখা কোনো প্রকৃত লেনদেনের মতো না হয়, RBF কার্নেল এটিকে খুব কম সাদৃশ্য স্কোর দেয়, যা এটিকে পর্যালোচনার জন্য চিহ্নিত করে।

SVM মডেল সাপোর্ট ভেক্টর চিহ্নিত করে সিদ্ধান্ত সীমানা শেখে, অর্থাৎ প্রকৃত ও জালিয়াতির মধ্যকার সীমানার সবচেয়ে কাছের লেনদেনগুলো। সীমানা পাওয়ার পর প্রশিক্ষণ ডেটার বাকি সব কিছু অপ্রাসঙ্গিক হয়ে যায়। এটি SVM-কে প্রোডাকশনে মার্জিত ও গণনাগতভাবে দক্ষ করে তোলে।

বিভাগ ৩: খাঁটি গাণিতিক ইঞ্জিন

এখন এই সিস্টেম চালিত করে এমন গণিতের দিকে তাকাই। নিচের প্রতিটি সূত্র বাস্তব সংখ্যা দিয়ে কলম-কাগজে সম্পূর্ণ সমাধান করা উদাহরণ দিয়ে যাচাই করা হয়েছে।

পলিনোমিয়াল কার্নেলের সূত্র হলো:

K(x, y) = (x · y + c)^d

যেখানে x ও y হলো দুটি লেনদেনের ফিচার ভেক্টর, c হলো ধ্রুবক যা নিম্ন-ক্রমের পদের প্রভাব নিয়ন্ত্রণ করে, এবং d হলো পলিনোমিয়ালের মাত্রা যা সীমানার জটিলতা নিয়ন্ত্রণ করে।

RBF কার্নেলের সূত্র হলো:

K(x, y) = exp(-γ ||x – y||²)

যেখানে γ (গামা) নিয়ন্ত্রণ করে একটি প্রশিক্ষণ উদাহরণের প্রভাব কতদূর পৌঁছায়। ছোট গামা মানে দূরবর্তী পৌঁছানো, বড় গামা মানে কাছাকাছি পৌঁছানো।

SVM সিদ্ধান্ত ফাংশন হলো:

f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b

যেখানে αᵢ হলো প্রতিটি সাপোর্ট ভেক্টরের শেখা ওজন, yᵢ হলো শ্রেণী লেবেল (+1 জালিয়াতির জন্য, -1 প্রকৃতের জন্য), K(xᵢ, x) হলো একটি সাপোর্ট ভেক্টর ও নতুন লেনদেনের মধ্যে কার্নেল সাদৃশ্য, এবং b হলো বায়াস থ্রেশহোল্ড। যদি f(x) শূন্যের চেয়ে বড় হয়, লেনদেনটি জালিয়াতি হিসেবে চিহ্নিত হয়।

এখন বাস্তব সংখ্যা দিয়ে প্রতিটি গণনা ধাপে ধাপে করি।

আমাদের কাছে দুটি অ্যামাজন লেনদেন আছে, প্রতিটি দুটি বৈশিষ্ট্য দিয়ে বর্ণিত: লেনদেনের পরিমাণ (নরমালাইজড) এবং ক্রয়ের ফ্রিকোয়েন্সি।

লেনদেন A: x = [2, 3] অর্থাৎ নরমালাইজড পরিমাণ 2 এবং ফ্রিকোয়েন্সি 3 লেনদেন B: y = [1, 4] অর্থাৎ নরমালাইজড পরিমাণ 1 এবং ফ্রিকোয়েন্সি 4

আমরা পলিনোমিয়াল কার্নেলের জন্য c = 1 এবং d = 2, এবং RBF কার্নেলের জন্য γ = 0.5 সেট করি।

পলিনোমিয়াল কার্নেল ধাপে ধাপে:

ধাপ ১: ডট প্রোডাক্ট x · y গণনা করুন x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14

ধাপ ২: ধ্রুবক c যোগ করুন 14 + 1 = 15

ধাপ ৩: d = 2 ঘাতে তুলুন 15² = 225

K(x, y) = 225

এই বড় মানটি বলে যে পলিনোমিয়াল ফিচার স্পেসে এই দুটি লেনদেন অত্যন্ত সদৃশ। কার্নেল পরিমাণ ও ফ্রিকোয়েন্সির মধ্যে মিথস্ক্রিয়া ধরেছে, আমাদের কখনোই উচ্চ-মাত্রিক রূপান্তর স্পষ্টভাবে গণনা করতে না হয়েও।

RBF কার্নেল ধাপে ধাপে:

ধাপ ১: পার্থক্য ভেক্টর x – y গণনা করুন [2 – 1, 3 – 4] = [1, -1]

ধাপ ২: প্রতিটি উপাদান বর্গ করুন [1², (-1)²] = [1, 1]

ধাপ ৩: বর্গ পার্থক্য যোগ করে ||x – y||² পান 1 + 1 = 2

ধাপ ৪: ঋণাত্মক গামা দিয়ে গুণ করুন -0.5 × 2 = -1.0

ধাপ ৫: এক্সপোনেনশিয়াল ফাংশন প্রয়োগ করুন exp(-1.0) = 0.3679

K(x, y) = 0.3679

0 থেকে 1 স্কেলে এই 0.3679 স্কোর বলে যে লেনদেন দুটি মোটামুটি আলাদা। 1-এর কাছাকাছি RBF স্কোর মানে লেনদেন দুটি প্রায় অভিন্ন আচরণ করে। 0-এর কাছাকাছি স্কোর মানে তারা খুবই আলাদা, যা জালিয়াতির পতাকা তোলে।

সিদ্ধান্ত ফাংশন ধাপে ধাপে:

ধরুন প্রশিক্ষিত SVM দুটি সাপোর্ট ভেক্টর শিখেছে, ওজন α = [0.8, 0.6] এবং লেবেল y = [+1, -1] সহ, এবং একটি নতুন লেনদেনের জন্য এই দুটি সাপোর্ট ভেক্টরের কার্নেল মান হলো [225.0, 0.3679], বায়াস b = 0.1 সহ।

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

যেহেতু f(x) = 179.8793 শূন্যের চেয়ে বড়, লেনদেনটি প্রকৃত হিসেবে শ্রেণিবদ্ধ হয়। প্রথম সাপোর্ট ভেক্টরের শক্তিশালী ধনাত্মক সংকেত, যা একটি প্রকৃত লেনদেনকে প্রতিনিধিত্ব করে, সিদ্ধান্তে প্রাধান্য পায়।

উপরের সব মান Python-এ স্বাধীনভাবে যাচাই করা হয়েছে এবং ঠিক এই ফলাফলগুলো দিয়েছে।

বিভাগ ৪: Python কম্পিউটার সায়েন্স বাস্তবায়ন (শূন্য থেকে)

নিচের বাস্তবায়নটি NumPy ব্যবহার করে শূন্য থেকে একটি কার্নেল জালিয়াতি ডিটেক্টর তৈরি করে। প্রতিটি পদ্ধতি সম্পূর্ণভাবে বাস্তবায়িত, কোনো শর্টকাট বা স্থানধারক ছাড়া। সম্পূর্ণ এক্সিকিউশন ব্লক অন্তর্ভুক্ত এবং ত্রুটিহীন চলার কথা যাচাই করা হয়েছে।

কার্যকর করলে, এই কোড টেস্ট সেটের প্রতিটি লেনদেনের জন্য সঠিক জালিয়াতি শ্রেণিবিন্যাস এবং 0 থেকে 1-এর মধ্যে ব্যাখ্যাযোগ্য ঝুঁকি স্কোর তৈরি করে। জালিয়াতিমূলক লেনদেন 1.0-এর কাছাকাছি উচ্চ ঝুঁকি স্কোর পায়। প্রকৃত লেনদেন 0.0-এর কাছাকাছি কম ঝুঁকি স্কোর পায়।

বিভাগ ৫: প্রোডাকশন মেশিন লার্নিং ব্লুপ্রিন্ট

এই প্রোডাকশন কোড কার্যকর করলে, RBF ও পলিনোমিয়াল উভয় কার্নেল মডেল টেস্ট সেটে 100% নির্ভুলতা অর্জন করে। RBF মডেল নয়টি সাপোর্ট ভেক্টর চিহ্নিত করে এবং নিশ্চিত জালিয়াতিমূলক লেনদেনে 0.9647 জালিয়াতি সম্ভাবনা নির্ধারণ করে। পলিনোমিয়াল মডেল একই ফলাফল অর্জনে মাত্র দুটি সাপোর্ট ভেক্টর প্রয়োজন, যা ভালোভাবে বাছাই করা কার্নেলের ক্ষমতা প্রদর্শন করে।

শূন্য থেকে তৈরি সংস্করণ থেকে প্রোডাকশন সংস্করণে যাওয়ার সঙ্গে কয়েকটি গুরুত্বপূর্ণ পার্থক্য আসে। প্রথমত, scikit-learn-এর SVM বাস্তবায়ন অত্যন্ত অপ্টিমাইজড কোয়াড্রাটিক প্রোগ্রামিং সলভার ব্যবহার করে, বিশেষ করে সিকোয়েনশিয়াল মিনিমাল অপ্টিমাইজেশন অ্যালগরিদম, যা লক্ষ লক্ষ প্রশিক্ষণ উদাহরণ পর্যন্ত স্কেল করে, আমাদের হাতে তৈরি বাস্তবায়ন কয়েক হাজারের পর গণনাগতভাবে অব্যবহারিক হয়ে পড়বে। দ্বিতীয়ত, প্ল্যাট স্কেলিং দিয়ে প্রোবাবিলিটি ক্যালিব্রেশন কাঁচা সিদ্ধান্ত স্কোরকে সঠিকভাবে ক্যালিব্রেট করা সম্ভাবনায় রূপান্তরিত করে, যা ধাপে ধাপে ব্যবসায়িক নিয়ম চালাতে ব্যবহার করা যায়, যেমন 0.5-এর বেশি স্কোর ম্যানুয়াল পর্যালোচনায় পাঠানো এবং 0.9-এর বেশি স্কোর সরাসরি ব্লক করা। তৃতীয়ত, class_weight='balanced' প্যারামিটার জালিয়াতি ডেটাসেটের স্বাভাবিক ভারসাম্যহীনতা স্বয়ংক্রিয়ভাবে ক্ষতিপূরণ দেয়, যেখানে প্রকৃত লেনদেন জালিয়াতির তুলনায় অনেক বেশি, যা নিশ্চিত করে মডেল উচ্চ নির্ভুলতা পেতে সবকিছুকে প্রকৃত বলে শেখেনি।

অ্যামাজনের বাস্তব প্রোডাকশন পরিবেশে, আর্কিটেকচার আরও বিস্তৃত। নতুন জালিয়াতির ধরন আবির্ভূত হওয়ার সঙ্গে সঙ্গে মডেলগুলো ক্রমাগত পুনঃপ্রশিক্ষিত হয়। বৈশিষ্ট্যগুলো গ্রাফ-ভিত্তিক সংকেত দিয়ে সমৃদ্ধ হয়, যেমন অ্যাকাউন্টটি পরিচিত জালিয়াতি নেটওয়ার্কের সঙ্গে সংযুক্ত কি না। কার্নেল SVM আউটপুট প্রায়ই বড় এনসেম্বল মডেলের ভেতরে অনেক সংকেতের একটি হিসেবে ব্যবহৃত হয়, যা ট্রি-ভিত্তিক মডেলগুলোর সমান্তরাল করতে না পারা এমন পদ্ধতিতে নন-লিনিয়ার সীমানা আঁকার অনন্য ক্ষমতা দিয়ে অবদান রাখে।

কৌশলগত অন্তর্দৃষ্টি

এআই অনুশীলনকারী এবং ব্যবসায়িক নেতাদের জন্য, এই নিবন্ধের শিক্ষা জালিয়াতি শনাক্তকরণের চেয়ে গভীর। কার্নেল পদ্ধতি বুদ্ধিমান সিস্টেম সম্পর্কে একটি বিস্তৃত সত্য উন্মোচন করে: কাঁচা ইনপুট স্পেসই কদাচিৎ যে জায়গায় উত্তর থাকে। বাস্তব-বিশ্বের ডেটা জটিলভাবে আবদ্ধ, ওভারল্যাপিং এবং এমন নন-লিনিয়ার সম্পর্কে পূর্ণ যা রৈখিক চিন্তা আলাদা করতে পারে না। কার্নেল কৌশলের শক্তি হলো এটি আপনাকে অনেক সমৃদ্ধ গাণিতিক স্থানে যুক্তি করতে দেয়, সেখানে বাস্তবে যাওয়ার গণনাগত খরচ ছাড়াই। একই নীতি, একটি কঠিন সমস্যাকে এমন একটিতে রূপান্তর করা যেখানে উত্তর দৃশ্যমান হয়, সুপারিশ সিস্টেম, ঝুঁকি স্কোরিং, ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ, স্বাস্থ্যসেবা রোগ নির্ণয় এবং প্রায় প্রতিটি গুরুতর এন্টারপ্রাইজ-স্কেল মেশিন লার্নিং সমস্যায় প্রযোজ্য। এটি বোঝা ব্যবসায়িক নেতারা তাদের ডেটা সায়েন্স দলকে আরও ভালো প্রশ্ন করবেন। এটি বোঝা প্রকৌশলীরা এমন সিস্টেম তৈরি করবেন যা ডেটা পরিষ্কার ও সরল হতে অস্বীকৃতি জানালেও কাজ করে।

অ্যামাজনের জালিয়াতি শনাক্তকরণ জাদু নয়। এটি অদৃশ্যভাবে বিশাল গতিতে কাজ করা গণিত, এবং আপনি এখন ঠিক কীভাবে তা বুঝতে পেরেছেন।

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

মূলত LinkedIn-এ Keshavan Thiagaraja দ্বারা প্রকাশিত। মূলটি LinkedIn-এ পড়ুন। [1]