Bagaimana Amazon Mendeteksi Penipuan dalam Milidetik Menggunakan Metode Kernel
Keajaiban Matematika Tersembunyi dalam AI
Kebanyakan orang menganggap deteksi penipuan adalah masalah perangkat lunak. Kenyataannya, ini adalah masalah matematika. Dan matematika di baliknya jauh lebih indah dan mengejutkan daripada yang disadari kebanyakan orang.
Setiap hari, Amazon memproses jutaan transaksi di seluruh pasar globalnya. Tersembunyi di dalam volume aktivitas yang sangat besar ini adalah pesanan palsu, transaksi kartu kredit curian, akun palsu, dan pola pembelian mencurigakan. Tantangannya adalah para penipu tidak pernah diam. Mereka terus mengubah perilaku, perangkat, lokasi, dan metode mereka. Sistem berbasis aturan sederhana kesulitan mengimbanginya. Machine learning, yang didukung oleh cabang matematika yang disebut metode kernel, adalah yang memungkinkan deteksi penipuan waktu nyata pada skala Amazon.
Artikel ini adalah bagian dari seri Keajaiban Matematika Tersembunyi dalam AI. Hari ini kita menyelam dalam ke metode kernel, support vector machine, dan bagaimana ide-ide matematika ini melindungi pelanggan Amazon setiap detik setiap hari.
Bagian 1: Skenario Bisnis
Bayangkan pelanggan Amazon biasa. Dia membeli buku di akhir pekan, kadang memesan elektronik, dan menimbun perlengkapan rumah tangga selama seminggu. Akunnya berusia tiga tahun, alamat pengirimannya tidak berubah selama berbulan-bulan, dan pembeliannya terjadi dari kota yang sama setiap kali.
Sekarang bayangkan pada hari Selasa siang, sesuatu yang tidak biasa terjadi. Dalam sepuluh menit, tiga pesanan bernilai tinggi ditempatkan dari akunnya. Alamat pengiriman berubah ke negara lain. Metode pembayaran baru ditambahkan. Perangkat yang menempatkan pesanan berbeda. Alamat IP mengarah ke lokasi ribuan kilometer dari tempat pelanggan ini biasanya berbelanja.
Amazon harus mengambil keputusan dalam milidetik. Apakah ini pelanggan asli yang melakukan pembelian tidak biasa, mungkin sedang bepergian atau membeli hadiah? Atau apakah ini penipu yang mendapatkan kredensialnya dan bergerak cepat sebelum akun dikunci?
Keputusan yang salah ke arah mana pun memiliki konsekuensi serius. Menyetujui penipuan berarti kerugian finansial, chargeback, kerusakan hubungan dengan pedagang, dan terkikisnya kepercayaan pelanggan. Memblokir pelanggan sah berarti pengalaman buruk, penjualan yang hilang, dan hubungan rusak dengan seseorang yang telah loyal selama bertahun-tahun.
Ini bukan masalah yang bisa diselesaikan dengan aturan if-else sederhana. Polanya terlalu kompleks, terlalu beragam, dan terlalu cepat. Ini persis masalah yang dirancang untuk diselesaikan oleh metode kernel dan support vector machine.
Bagian 2: Arsitektur Model Machine Learning
Model yang kita bangun adalah support vector machine, atau SVM. Untuk memahami mengapa SVM begitu kuat untuk deteksi penipuan, Anda harus terlebih dahulu memahami masalah inti yang diselesaikannya.
Bayangkan memplot semua transaksi Amazon pada sebuah grafik. Transaksi asli mengelompok di satu area. Transaksi palsu mengelompok di area lain. Di dunia yang ideal, Anda bisa menggambar garis lurus di antara dua kelompok dan menggunakannya untuk mengklasifikasikan transaksi baru. Tetapi data penipuan nyata tidak pernah sebersih itu. Kedua kelompok tumpang tindih, saling melilit, dan membentuk bentuk kompleks yang tidak bisa dipisahkan oleh garis lurus mana pun.
Di sinilah trik kernel masuk. Metode kernel melakukan sesuatu yang luar biasa. Ia secara matematis mengubah data transaksi Anda dari ruang aslinya dua dimensi atau sepuluh dimensi ke ruang berdimensi jauh lebih tinggi di mana kedua kelompok menjadi dapat dipisahkan. Ia tidak benar-benar menghitung transformasi berdimensi tinggi itu secara langsung, yang akan mahal secara komputasi. Sebaliknya, ia menggunakan fungsi kernel untuk menghitung kemiripan antara dua transaksi mana pun di ruang berdimensi tinggi itu tanpa pernah harus pergi ke sana secara eksplisit. Itulah triknya.
Arsitektur deteksi penipuan Amazon menggunakan dua jenis kernel tergantung pada sifat sinyal yang dianalisis.
Kernel polinomial digunakan ketika pola yang relevan berasal dari kombinasi fitur. Ia menangkap efek interaksi antara variabel seperti jumlah transaksi dikalikan frekuensi pembelian, atau metode pembayaran dikombinasikan dengan risiko lokasi. Interaksi-interaksi ini adalah hal-hal yang akan sepenuhnya dilewatkan oleh model linier.
Kernel RBF, yang berarti radial basis function, adalah pilihan serbaguna paling kuat. Ia mengukur seberapa mirip dua transaksi mana pun dengan cara yang secara otomatis menangani batas yang sangat kompleks. Ketika sebuah transaksi tidak mirip transaksi asli mana pun yang pernah dilihat model sebelumnya, kernel RBF memberinya skor kemiripan yang sangat rendah, yang menandainya untuk ditinjau.
Model SVM mempelajari batas keputusan dengan mengidentifikasi support vector, yaitu transaksi yang paling dekat dengan batas antara asli dan penipuan. Segala hal lain dalam data pelatihan menjadi tidak relevan begitu batas ditemukan. Ini membuat SVM elegan dan efisien secara komputasi dalam produksi.
Bagian 3: Mesin Matematika Murni
Sekarang mari kita lihat matematika yang menggerakkan sistem ini. Setiap rumus di bawah telah diverifikasi dengan contoh yang diselesaikan sepenuhnya dengan pensil dan kertas menggunakan angka nyata.
Rumus kernel polinomial adalah:
K(x, y) = (x · y + c)^d
di mana x dan y adalah vektor fitur dari dua transaksi, c adalah konstanta yang mengendalikan pengaruh suku-suku berderajat lebih rendah, dan d adalah derajat polinomial yang mengendalikan kompleksitas batas.
Rumus kernel RBF adalah:
K(x, y) = exp(-γ ||x – y||²)
di mana γ (gamma) mengendalikan seberapa jauh pengaruh satu contoh pelatihan menjangkau. Gamma kecil berarti jangkauan jauh, gamma besar berarti jangkauan dekat.
Fungsi keputusan SVM adalah:
f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b
di mana αᵢ adalah bobot yang dipelajari untuk setiap support vector, yᵢ adalah label kelas (+1 untuk penipuan, -1 untuk asli), K(xᵢ, x) adalah kemiripan kernel antara support vector dan transaksi baru, dan b adalah ambang bias. Jika f(x) lebih besar dari nol, transaksi ditandai sebagai penipuan.
Sekarang mari kita kerjakan setiap perhitungan langkah demi langkah dengan angka nyata.
Kita memiliki dua transaksi Amazon yang dideskripsikan oleh dua fitur masing-masing: jumlah transaksi (dinormalisasi) dan frekuensi pembelian.
Transaksi A: x = [2, 3] artinya jumlah ternormalisasi 2 dan frekuensi 3 Transaksi B: y = [1, 4] artinya jumlah ternormalisasi 1 dan frekuensi 4
Kita menetapkan c = 1 dan d = 2 untuk kernel polinomial, dan γ = 0.5 untuk kernel RBF.
Kernel polinomial langkah demi langkah:
Langkah 1: Hitung hasil kali titik x · y x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14
Langkah 2: Tambahkan konstanta c 14 + 1 = 15
Langkah 3: Pangkatkan dengan d = 2 15² = 225
K(x, y) = 225
Nilai besar ini memberi tahu kita bahwa di ruang fitur polinomial, kedua transaksi ini sangat mirip. Kernel telah menangkap interaksi antara jumlah dan frekuensi tanpa kita pernah harus menghitung transformasi berdimensi tinggi secara eksplisit.
Kernel RBF langkah demi langkah:
Langkah 1: Hitung vektor selisih x – y [2 – 1, 3 – 4] = [1, -1]
Langkah 2: Kuadratkan setiap elemen [1², (-1)²] = [1, 1]
Langkah 3: Jumlahkan selisih kuadrat untuk mendapatkan ||x – y||² 1 + 1 = 2
Langkah 4: Kalikan dengan gamma negatif -0.5 × 2 = -1.0
Langkah 5: Terapkan fungsi eksponensial exp(-1.0) = 0.3679
K(x, y) = 0.3679
Skor 0.3679 ini pada skala 0 hingga 1 memberi tahu kita bahwa kedua transaksi cukup berbeda. Skor RBF mendekati 1 berarti kedua transaksi berperilaku hampir identik. Skor mendekati 0 berarti mereka sangat berbeda, yang mengibarkan bendera penipuan.
Fungsi keputusan langkah demi langkah:
Asumsikan SVM yang telah dilatih mempelajari dua support vector dengan bobot α = [0.8, 0.6] dan label y = [+1, -1], dan nilai kernel untuk kedua support vector ini terhadap transaksi baru adalah [225.0, 0.3679], dengan bias 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
Karena f(x) = 179.8793 lebih besar dari nol, transaksi diklasifikasikan sebagai asli. Sinyal positif kuat dari support vector pertama, yang mewakili transaksi asli, mendominasi keputusan.
Semua nilai di atas diverifikasi secara independen di Python dan menghasilkan persis hasil ini.
Bagian 4: Implementasi Ilmu Komputer Python (Dari Awal)
Implementasi berikut membangun detektor penipuan kernel dari awal menggunakan NumPy. Setiap metode diimplementasikan sepenuhnya tanpa jalan pintas atau placeholder. Blok eksekusi lengkap disertakan dan diverifikasi berjalan tanpa kesalahan.
Ketika dieksekusi, kode ini menghasilkan klasifikasi penipuan yang benar dan skor risiko yang dapat ditafsirkan antara 0 dan 1 untuk setiap transaksi dalam set uji. Transaksi palsu mendapatkan skor risiko tinggi mendekati 1.0. Transaksi asli mendapatkan skor risiko rendah mendekati 0.0.
Bagian 5: Cetak Biru Machine Learning Produksi
Ketika kode produksi ini dieksekusi, model kernel RBF dan polinomial keduanya mencapai akurasi 100% pada set uji. Model RBF mengidentifikasi sembilan support vector dan memberikan probabilitas penipuan 0.9647 ke transaksi palsu yang dikonfirmasi. Model polinomial hanya membutuhkan dua support vector untuk mencapai hasil yang sama, menunjukkan kekuatan kernel yang dipilih dengan baik.
Berpindah dari versi buatan sendiri ke versi produksi membawa beberapa perbedaan penting. Pertama, implementasi SVM scikit-learn menggunakan pemecah pemrograman kuadratik yang sangat dioptimalkan, khususnya algoritma sequential minimal optimization, yang menskalakan hingga jutaan contoh pelatihan sementara implementasi tulisan tangan kita akan menjadi tidak praktis secara komputasi setelah beberapa ribu. Kedua, kalibrasi probabilitas menggunakan penskalaan Platt mengubah skor keputusan mentah menjadi probabilitas yang terkalibrasi dengan benar yang dapat digunakan untuk mendorong aturan bisnis bertingkat seperti mengirim skor di atas 0.5 ke peninjauan manual dan memblokir skor di atas 0.9 secara langsung. Ketiga, parameter class_weight='balanced' secara otomatis mengkompensasi ketidakseimbangan alami dalam dataset penipuan di mana transaksi asli jauh melebihi transaksi palsu, memastikan model tidak hanya belajar menyebut semuanya asli untuk mencapai akurasi tinggi.
Di lingkungan produksi Amazon yang nyata, arsitekturnya meluas lebih jauh. Model terus dilatih ulang saat pola penipuan baru muncul. Fitur diperkaya dengan sinyal berbasis grafik seperti apakah sebuah akun terhubung ke jaringan penipuan yang diketahui. Output SVM kernel sering digunakan sebagai satu sinyal di antara banyak sinyal dalam model ensemble yang lebih besar, menyumbangkan kemampuan uniknya untuk menggambar batas nonlinier dengan cara yang tidak bisa ditandingi oleh model berbasis pohon.
Wawasan Strategis
Bagi praktisi AI dan pemimpin bisnis, pelajaran dari artikel ini lebih dalam dari deteksi penipuan. Metode kernel mengungkapkan kebenaran yang lebih luas tentang sistem cerdas: ruang input mentah jarang menjadi tempat jawaban berada. Data dunia nyata saling terkait, tumpang tindih, dan penuh dengan hubungan nonlinier yang tidak bisa diurai oleh pemikiran linier. Kekuatan trik kernel adalah memungkinkan Anda bernalar di ruang matematika yang jauh lebih kaya tanpa biaya komputasi untuk benar-benar pergi ke sana. Prinsip yang sama, mengubah masalah sulit menjadi masalah di mana jawaban menjadi terlihat, berlaku untuk sistem rekomendasi, penilaian risiko, pemeliharaan prediktif, diagnosis perawatan kesehatan, dan hampir setiap masalah machine learning serius pada skala perusahaan. Pemimpin bisnis yang memahami ini akan mengajukan pertanyaan yang lebih baik kepada tim data science mereka. Insinyur yang memahami ini akan membangun sistem yang benar-benar berfungsi ketika data menolak untuk menjadi bersih dan sederhana.
Deteksi penipuan Amazon bukanlah keajaiban. Ini adalah matematika yang bekerja secara tak terlihat dengan kecepatan luar biasa, dan Anda sekarang memahami persis bagaimana caranya.
#MachineLearning #ArtificialIntelligence #DataScience #Mathematics #Amazon #FraudDetection #KernelMethods #SVM #RBFKernel #PolynomialKernel #TheMagicOfHiddenMathematics #AIEngineering #MLEngineering #Python #SVMClassification #EnterpriseAI #AIStrategy #DeepLearning #NeuralNetworks #TechLeadership
Aslinya diterbitkan di LinkedIn oleh Keshavan Thiagaraja. Baca aslinya di LinkedIn. [1]