कर्नल पद्धती वापरून Amazon मिलिसेकंदांत फसवणूक कशी शोधते

AI मधील लपलेल्या गणिताचा जादू

बहुतेक लोकांना वाटते की फसवणूक शोधणे ही सॉफ्टवेअरची समस्या आहे. खरंतर, ही गणिताची समस्या आहे. आणि त्यामागचे गणित बहुतेक लोकांच्या कल्पनेपेक्षा खूपच सुंदर आणि आश्चर्यकारक आहे.

दररोज, Amazon त्याच्या जागतिक मार्केटप्लेसवर लाखो व्यवहार प्रक्रिया करते. या प्रचंड क्रियाकलापाच्या प्रमाणात लपलेले आहेत फसवे ऑर्डर, चोरी केलेल्या क्रेडिट कार्ड व्यवहार, बनावट खाती आणि संशयास्पद खरेदी नमुने. आव्हान म्हणजे फसवे कधीही स्थिर राहत नाहीत. ते सतत त्यांचे वर्तन, त्यांची उपकरणे, त्यांची स्थाने आणि त्यांच्या पद्धती बदलत राहतात. साध्या नियम-आधारित प्रणालींना सामना करण्यासाठी संघर्ष करावा लागतो. मशीन लर्निंग, ज्याला कर्नल पद्धती नावाच्या गणिताच्या शाखेचे बळ आहे, ते Amazon च्या प्रमाणावर रिअल-टाइम फसवणूक शोधणे शक्य करते.

हा लेख AI मधील लपलेल्या गणिताचा जादू या मालिकेचा भाग आहे. आज आपण कर्नल पद्धती, सपोर्ट व्हेक्टर मशीनमध्ये खोलवर जाऊ आणि या गणितीय कल्पना Amazon च्या ग्राहकांचे दररोज प्रत्येक सेकंदाला संरक्षण कसे करतात ते पाहू.

विभाग 1: व्यावसायिक परिस्थिती

एका सामान्य Amazon ग्राहकाची कल्पना करा. तो सप्ताहाच्या शेवटी पुस्तके विकत घेतो, कधी कधी इलेक्ट्रॉनिक्स ऑर्डर करतो आणि आठवड्यादरम्यान घरगुती वस्तूंचा साठा करतो. त्याचे खाते तीन वर्षे जुने आहे, त्याचा डिलिव्हरी पत्ता महिन्यांपासून बदलला नाही आणि त्याच्या खरेदी प्रत्येक वेळी त्याच शहरातून होतात.

आता कल्पना करा की मंगळवारी दुपारी काहीतरी असामान्य घडते. दहा मिनिटांत, त्याच्या खात्यावरून तीन उच्च-मूल्य ऑर्डर दिल्या जातात. डिलिव्हरी पत्ता दुसऱ्या देशात बदलतो. नवीन पेमेंट पद्धत जोडली जाते. ऑर्डर देणारे उपकरण वेगळे आहे. IP पत्ता अशा ठिकाणाकडे निर्देश करतो जे या ग्राहकाच्या नेहमीच्या खरेदीच्या ठिकाणापासून हजारो किलोमीटर दूर आहे.

Amazon ला मिलिसेकंदांत निर्णय घ्यावा लागेल. हा असामान्य खरेदी करणारा खरा ग्राहक आहे का, कदाचित तो प्रवास करत आहे किंवा भेटवस्तू विकत घेत आहे? की हा फसवा आहे ज्याने त्याचे क्रेडेन्शियल्स मिळवले आहेत आणि खाते लॉक होण्यापूर्वी वेगाने काम करत आहे?

कोणत्याही दिशेने चुकीच्या निर्णयाचे गंभीर परिणाम आहेत. फसवणुकीला मंजुरी देणे म्हणजे आर्थिक नुकसान, चार्जबॅक, व्यापारी संबंधांचे नुकसान आणि ग्राहक विश्वासाची झीज. वैध ग्राहकाला ब्लॉक करणे म्हणजे वाईट अनुभव, गमावलेली विक्री आणि अनेक वर्षे निष्ठावान असलेल्या व्यक्तीशी बिघडलेले नाते.

ही अशी समस्या नाही जी तुम्ही साध्या if-else नियमांनी सोडवू शकता. नमुने खूप जटिल, खूप विविध आणि खूप वेगवान आहेत. ही नेमकी तीच समस्या आहे जी सोडवण्यासाठी कर्नल पद्धती आणि सपोर्ट व्हेक्टर मशीन बांधल्या गेल्या.

विभाग 2: मशीन लर्निंग मॉडेलची आर्किटेक्चर

आपण जे मॉडेल बांधत आहोत ते म्हणजे सपोर्ट व्हेक्टर मशीन किंवा SVM. SVM फसवणूक शोधण्यासाठी इतकी शक्तिशाली का आहे हे समजून घेण्यासाठी, तुम्हाला प्रथम ती कोणती मूलभूत समस्या सोडवते ते समजून घ्यावे लागेल.

सर्व Amazon व्यवहार एका ग्राफवर प्लॉट करण्याची कल्पना करा. खरे व्यवहार एका भागात जमतात. फसवे व्यवहार दुसऱ्या भागात जमतात. आदर्श जगात, तुम्ही दोन गटांच्या मधोमध सरळ रेष काढू शकता आणि नवीन व्यवहार वर्गीकृत करण्यासाठी ती वापरू शकता. पण खरा फसवणुकीचा डेटा कधीही इतका स्वच्छ नसतो. दोन गट ओव्हरलॅप होतात, एकमेकांभोवती गुंडाळतात आणि जटिल आकृत्या तयार करतात ज्या कोणतीही सरळ रेष विभक्त करू शकत नाही.

येथे कर्नल ट्रिक येते. कर्नल पद्धत काहीतरी उल्लेखनीय करते. ती तुमच्या व्यवहार डेटाला त्याच्या मूळ दोन-आयामी किंवा दहा-आयामी स्थानावरून खूप उच्च-आयामी स्थानात गणितीयदृष्ट्या रूपांतरित करते जिथे दोन गट विभक्त होण्यायोग्य बनतात. ती खरोखर ते उच्च-आयामी रूपांतर थेट मोजत नाही, जे संगणकीयदृष्ट्या महाग ठरेल. त्याऐवजी, ती त्या उच्च-आयामी स्थानात कोणत्याही दोन व्यवहारांमधील साम्य मोजण्यासाठी कर्नल फंक्शन वापरते, कधीही स्पष्टपणे तिथे न जाता. हीच ट्रिक आहे.

Amazon ची फसवणूक शोध आर्किटेक्चर विश्लेषण केल्या जाणाऱ्या सिग्नलच्या स्वरूपानुसार दोन प्रकारचे कर्नल वापरते.

पॉलिनॉमियल कर्नल वापरले जाते जेव्हा संबंधित नमुना वैशिष्ट्यांच्या संयोजनातून येतो. ते व्हेरिएबल्समधील इंटरॅक्शन प्रभाव पकडते जसे की व्यवहार रक्कम गुणिले खरेदी वारंवारता, किंवा पेमेंट पद्धत स्थान जोखमीसोबत एकत्र. या इंटरॅक्शन अशा गोष्टी आहेत ज्या रेषीय मॉडेल पूर्णपणे चुकवेल.

RBF कर्नल, ज्याचा अर्थ रेडियल बेसिस फंक्शन, हा सर्वात शक्तिशाली सर्व-उद्देश पर्याय आहे. तो मनमानीपणे जटिल सीमा आपोआप हाताळणाऱ्या पद्धतीने कोणतेही दोन व्यवहार किती सारखे आहेत हे मोजतो. जेव्हा व्यवहार मॉडेलने आधी पाहिलेल्या कोणत्याही खऱ्या व्यवहारासारखा दिसत नाही, तेव्हा RBF कर्नल त्याला खूप कमी साम्य स्कोअर देतो, जो त्याला पुनरावलोकनासाठी चिन्हांकित करतो.

SVM मॉडेल सपोर्ट व्हेक्टर ओळखून निर्णय सीमा शिकते, म्हणजे खरे आणि फसवे यांच्यातील सीमेच्या सर्वात जवळ असलेले व्यवहार. सीमा सापडल्यावर प्रशिक्षण डेटामधील इतर सर्व काही निरुपयोगी बनते. यामुळे SVM उत्पादनात मोहक आणि संगणकीयदृष्ट्या कार्यक्षम बनते.

विभाग 3: शुद्ध गणितीय इंजिन

आता या प्रणालीला चालवणारे गणित पाहूया. खालील प्रत्येक सूत्र खऱ्या संख्या वापरून पेन्सिल आणि कागदाने पूर्णपणे सोडवलेल्या उदाहरणाने सत्यापित केले आहे.

पॉलिनॉमियल कर्नलचे सूत्र आहे:

K(x, y) = (x · y + c)^d

जिथे x आणि y हे दोन व्यवहारांचे फीचर व्हेक्टर आहेत, c हा स्थिरांक आहे जो कमी-क्रमाच्या पदांचा प्रभाव नियंत्रित करतो, आणि d ही बहुपदाची पदवी आहे जी सीमेची जटिलता नियंत्रित करते.

RBF कर्नलचे सूत्र आहे:

K(x, y) = exp(-γ ||x – y||²)

जिथे γ (गॅमा) नियंत्रित करते की एका प्रशिक्षण उदाहरणाचा प्रभाव किती दूर पोहोचतो. लहान गॅमा म्हणजे दूरपर्यंत पोहोच, मोठे गॅमा म्हणजे जवळपर्यंत पोहोच.

SVM निर्णय फंक्शन आहे:

f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b

जिथे αᵢ प्रत्येक सपोर्ट व्हेक्टरसाठी शिकलेली वजने आहेत, yᵢ वर्ग लेबले आहेत (+1 फसवणुकीसाठी, -1 खऱ्यासाठी), K(xᵢ, x) हे सपोर्ट व्हेक्टर आणि नवीन व्यवहारामधील कर्नल साम्य आहे, आणि b हा बायस थ्रेशहोल्ड आहे. f(x) शून्यापेक्षा जास्त असल्यास, व्यवहार फसवणूक म्हणून चिन्हांकित केला जातो.

आता खऱ्या संख्यांसह प्रत्येक गणना टप्प्याटप्प्याने करूया.

आमच्याकडे दोन Amazon व्यवहार आहेत, प्रत्येकी दोन वैशिष्ट्यांनी वर्णित: व्यवहार रक्कम (नॉर्मलाइज्ड) आणि खरेदी वारंवारता.

व्यवहार A: x = [2, 3] म्हणजे नॉर्मलाइज्ड रक्कम 2 आणि वारंवारता 3 व्यवहार B: y = [1, 4] म्हणजे नॉर्मलाइज्ड रक्कम 1 आणि वारंवारता 4

आम्ही पॉलिनॉमियल कर्नलसाठी c = 1 आणि d = 2, आणि RBF कर्नलसाठी γ = 0.5 सेट करतो.

पॉलिनॉमियल कर्नल टप्प्याटप्प्याने:

टप्पा 1: डॉट प्रोडक्ट x · y ची गणना करा x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14

टप्पा 2: स्थिरांक c जोडा 14 + 1 = 15

टप्पा 3: d = 2 घातांकावर न्या 15² = 225

K(x, y) = 225

हे मोठे मूल्य आम्हाला सांगते की पॉलिनॉमियल फीचर स्पेसमध्ये, हे दोन व्यवहार अत्यंत सारखे आहेत. कर्नलने रक्कम आणि वारंवारता यांच्यातील इंटरॅक्शन पकडले आहे, आम्हाला कधीही उच्च-आयामी रूपांतर स्पष्टपणे मोजावे लागल्याशिवाय.

RBF कर्नल टप्प्याटप्प्याने:

टप्पा 1: फरक व्हेक्टर x – y ची गणना करा [2 – 1, 3 – 4] = [1, -1]

टप्पा 2: प्रत्येक घटकाचा वर्ग करा [1², (-1)²] = [1, 1]

टप्पा 3: वर्ग फरकांची बेरीज करून ||x – y||² मिळवा 1 + 1 = 2

टप्पा 4: ऋण गॅमाने गुणा -0.5 × 2 = -1.0

टप्पा 5: एक्स्पोनेंशियल फंक्शन लागू करा exp(-1.0) = 0.3679

K(x, y) = 0.3679

0 ते 1 च्या स्केलवर हा 0.3679 स्कोअर आम्हाला सांगतो की दोन व्यवहार मध्यम स्वरूपात वेगळे आहेत. 1 च्या जवळ RBF स्कोअर म्हणजे दोन व्यवहार जवळजवळ सारखेच वागतात. 0 च्या जवळ स्कोअर म्हणजे ते खूप वेगळे आहेत, जे फसवणुकीचा ध्वज उभारते.

निर्णय फंक्शन टप्प्याटप्प्याने:

समजा प्रशिक्षित SVM ने वजने α = [0.8, 0.6] आणि लेबले y = [+1, -1] असलेले दोन सपोर्ट व्हेक्टर शिकले आहेत, आणि नवीन व्यवहारासाठी या दोन सपोर्ट व्हेक्टरची कर्नल मूल्ये [225.0, 0.3679] आहेत, बायस b = 0.1 सह.

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

f(x) = 179.8793 शून्यापेक्षा जास्त असल्याने, व्यवहार खरा म्हणून वर्गीकृत केला जातो. पहिल्या सपोर्ट व्हेक्टरमधून येणारा मजबूत सकारात्मक सिग्नल, जो खऱ्या व्यवहाराचे प्रतिनिधित्व करतो, निर्णयावर प्रभावी ठरतो.

वरील सर्व मूल्ये Python मध्ये स्वतंत्रपणे सत्यापित केली आणि त्यांनी नेमके हेच परिणाम दिले.

विभाग 4: Python संगणक विज्ञान अंमलबजावणी (शून्यापासून)

खालील अंमलबजावणी NumPy वापरून शून्यापासून कर्नल फसवणूक शोधक बांधते. प्रत्येक पद्धत शॉर्टकट किंवा प्लेसहोल्डरशिवाय पूर्णपणे अंमलात आणली आहे. संपूर्ण एक्झिक्यूशन ब्लॉक समाविष्ट आहे आणि त्रुटींशिवाय चालण्यासाठी सत्यापित आहे.

अंमलात आणल्यावर, हा कोड चाचणी संचातील प्रत्येक व्यवहारासाठी योग्य फसवणूक वर्गीकरण आणि 0 ते 1 दरम्यान अर्थलावण्यायोग्य जोखीम स्कोअर तयार करतो. फसवे व्यवहार 1.0 च्या जवळ उच्च जोखीम स्कोअर मिळवतात. खरे व्यवहार 0.0 च्या जवळ कमी जोखीम स्कोअर मिळवतात.

विभाग 5: उत्पादन मशीन लर्निंग ब्लूप्रिंट

हा उत्पादन कोड अंमलात आणल्यावर, RBF आणि पॉलिनॉमियल दोन्ही कर्नल मॉडेल चाचणी संचावर 100% अचूकता मिळवतात. RBF मॉडेल नऊ सपोर्ट व्हेक्टर ओळखते आणि पुष्टी केलेल्या फसव्या व्यवहारांना 0.9647 फसवणूक शक्यता देते. पॉलिनॉमियल मॉडेलला त्याच परिणामासाठी केवळ दोन सपोर्ट व्हेक्टरची आवश्यकता असते, जे चांगल्या प्रकारे निवडलेल्या कर्नलची शक्ती दर्शवते.

शून्यापासून बांधलेल्या आवृत्तीकडून उत्पादन आवृत्तीकडे जाण्याने अनेक महत्त्वपूर्ण फरक आणतात. प्रथम, scikit-learn ची SVM अंमलबजावणी अत्यंत ऑप्टिमाइज्ड क्वाड्रॅटिक प्रोग्रॅमिंग सॉल्व्हर वापरते, विशेषतः सिक्वेन्शियल मिनिमल ऑप्टिमायझेशन अल्गोरिदम, जी लाखो प्रशिक्षण उदाहरणांपर्यंत स्केल करते, तर आमची हस्तलिखित अंमलबजावणी काही हजारांनंतर संगणकीयदृष्ट्या अव्यावहारिक होईल. दुसरे, प्लॅट स्केलिंग वापरून प्रॉबेबिलिटी कॅलिब्रेशन कच्चे निर्णय स्कोअर योग्यरित्या कॅलिब्रेट केलेल्या शक्यतांमध्ये रूपांतरित करते जे स्तरित व्यावसायिक नियम चालवण्यासाठी वापरले जाऊ शकतात जसे की 0.5 पेक्षा जास्त स्कोअर मॅन्युअल पुनरावलोकनासाठी पाठवणे आणि 0.9 पेक्षा जास्त स्कोअर थेट ब्लॉक करणे. तिसरे, class_weight='balanced' पॅरामीटर फसवणूक डेटासेटमधील नैसर्गिक असंतुलनाची आपोआप भरपाई करतो जिथे खरे व्यवहार फसव्यांपेक्षा खूप जास्त असतात, मॉडेलने उच्च अचूकता मिळवण्यासाठी फक्त सर्वकाही खरे म्हणायला शिकले नाही याची खात्री करतो.

खऱ्या Amazon उत्पादन वातावरणात, आर्किटेक्चर आणखी पुढे जाते. नवीन फसवणूक नमुने उदयास येताच मॉडेल्स सतत पुन्हा प्रशिक्षित केली जातात. वैशिष्ट्ये ग्राफ-आधारित सिग्नलनी समृद्ध केली जातात जसे की खाते ज्ञात फसवणूक नेटवर्कशी जोडलेले आहे का. कर्नल SVM आउटपुट बहुधा मोठ्या एन्सेम्बल मॉडेलमध्ये अनेक सिग्नलपैकी एक म्हणून वापरले जाते, ज्यामुळे ट्री-आधारित मॉडेल्स जुळवू शकत नाहीत अशा पद्धतींनी नॉन-लिनियर सीमा काढण्याची त्याची अद्वितीय क्षमता योगदान देते.

धोरणात्मक अंतर्दृष्टी

AI व्यावसायिक आणि व्यावसायिक नेत्यांसाठी, या लेखाचा धडा फसवणूक शोधण्यापेक्षा खोलवर आहे. कर्नल पद्धती बुद्धिमान प्रणालींबद्दल एक व्यापक सत्य उघड करतात: कच्चा इनपुट स्पेस क्वचितच ती जागा असते जिथे उत्तर राहते. खरा-जगातील डेटा गुंतागुंतीचा, ओव्हरलॅपिंग आणि नॉन-लिनियर संबंधांनी भरलेला असतो जे रेषीय विचार सोडवू शकत नाही. कर्नल ट्रिकची शक्ती म्हणजे ती तुम्हाला खरोखर तिथे जाण्याच्या संगणकीय खर्चाशिवाय खूप समृद्ध गणितीय स्थानात तर्क करू देते. तोच तत्त्व, कठीण समस्येचे रूपांतर अशा समस्येत करणे जिथे उत्तर दिसून येते, शिफारस प्रणाली, जोखीम स्कोअरिंग, अंदाजे देखभाल, आरोग्यसेवा निदान आणि व्यावसायिक स्तरावरील जवळपास प्रत्येक गंभीर मशीन लर्निंग समस्येवर लागू होते. हे समजून घेणारे व्यावसायिक नेते त्यांच्या डेटा सायन्स टीमना चांगले प्रश्न विचारतील. हे समजून घेणारे अभियंते अशा प्रणाली बांधतील ज्या डेटा स्वच्छ आणि साधा होण्यास नकार देतो तेव्हाही खरोखर काम करतात.

Amazon ची फसवणूक शोध जादू नाही. ते अदृश्यपणे प्रचंड वेगाने काम करणारे गणित आहे, आणि तुम्ही आता नेमके कसे ते समजता.

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

मूळतः LinkedIn वर Keshavan Thiagaraja यांनी प्रकाशित केले. मूळ LinkedIn वर वाचा. [1]