Amazon ตรวจจับการฉ้อโกงในเสี้ยววินาทีด้วยวิธีเคอร์เนลได้อย่างไร

เวทมนตร์ของคณิตศาสตร์ที่ซ่อนอยู่ใน AI

คนส่วนใหญ่คิดว่าการตรวจจับการฉ้อโกงเป็นปัญหาซอฟต์แวร์ ที่จริงแล้วมันเป็นปัญหาคณิตศาสตร์ และคณิตศาสตร์ที่อยู่เบื้องหลังนั้นสวยงามและน่าอัศจรรย์กว่าที่คนส่วนใหญ่เข้าใจมาก

ทุกวัน Amazon ประมวลผลธุรกรรมหลายล้านรายการทั่วตลาดโลก ซ่อนอยู่ภายในปริมาณกิจกรรมมหาศาลนี้คือคำสั่งซื้อฉ้อโกง ธุรกรรมบัตรเครดิตที่ถูกขโมย บัญชีปลอม และรูปแบบการซื้อที่น่าสงสัย ความท้าทายคือนักฉ้อโกงไม่เคยอยู่นิ่ง พวกเขาเปลี่ยนพฤติกรรม อุปกรณ์ ตำแหน่ง และวิธีการของตนอยู่ตลอดเวลา ระบบที่ใช้กฎง่ายๆ ตามไม่ทัน แมชชีนเลิร์นนิงที่ขับเคลื่อนโดยสาขาหนึ่งของคณิตศาสตร์ที่เรียกว่าวิธีเคอร์เนล คือสิ่งที่ทำให้การตรวจจับการฉ้อโกงแบบเรียลไทม์ในระดับของ Amazon เป็นไปได้

บทความนี้เป็นส่วนหนึ่งของซีรีส์ เวทมนตร์ของคณิตศาสตร์ที่ซ่อนอยู่ใน AI วันนี้เราจะดำดิ่งลึกเข้าไปในวิธีเคอร์เนล ซัพพอร์ตเวกเตอร์แมชชีน และวิธีที่แนวคิดทางคณิตศาสตร์เหล่านี้ปกป้องลูกค้าของ Amazon ทุกวินาทีของทุกวัน

ส่วนที่ 1: สถานการณ์ทางธุรกิจ

ลองนึกภาพลูกค้า Amazon ทั่วไป เขาซื้อหนังสือในวันหยุดสุดสัปดาห์ สั่งอิเล็กทรอนิกส์เป็นครั้งคราว และซื้อของใช้ในบ้านระหว่างสัปดาห์ บัญชีของเขามีอายุสามปี ที่อยู่จัดส่งไม่เปลี่ยนมาหลายเดือน และการซื้อของเขาเกิดจากเมืองเดิมทุกครั้ง

ตอนนี้ลองนึกภาพว่าในบ่ายวันอังคาร มีบางอย่างผิดปกติเกิดขึ้น ภายในสิบนาที มีคำสั่งซื้อมูลค่าสูงสามรายการจากบัญชีของเขา ที่อยู่จัดส่งเปลี่ยนไปเป็นประเทศอื่น มีการเพิ่มวิธีชำระเงินใหม่ อุปกรณ์ที่ทำการสั่งซื้อแตกต่างออกไป ที่อยู่ IP ชี้ไปยังตำแหน่งที่ห่างจากที่ที่ลูกค้ารายนี้มักซื้อของหลายพันกิโลเมตร

Amazon ต้องตัดสินใจในเสี้ยววินาที นี่คือลูกค้าตัวจริงที่กำลังซื้อของผิดปกติ อาจกำลังเดินทางหรือซื้อของขวัญ หรือเป็นนักฉ้อโกงที่ได้ข้อมูลรับรองของเขาและกำลังเร่งมือก่อนที่บัญชีจะถูกล็อก

การตัดสินใจผิดพลาดไปทางใดทางหนึ่งมีผลกระทบร้ายแรง การอนุมัติการฉ้อโกงหมายถึงความสูญเสียทางการเงิน chargeback ความสัมพันธ์กับพ่อค้าที่เสียหาย และความเชื่อมั่นของลูกค้าที่พังทลาย การบล็อกลูกค้าที่ถูกต้องหมายถึงประสบการณ์ที่แย่ ยอดขายที่หายไป และความสัมพันธ์ที่เสียหายกับคนที่ภักดีมาหลายปี

นี่ไม่ใช่ปัญหาที่คุณสามารถแก้ได้ด้วยกฎ if-else ง่ายๆ รูปแบบซับซ้อนเกินไป หลากหลายเกินไป และเคลื่อนไหวเร็วเกินไป นี่คือปัญหาที่วิธีเคอร์เนลและซัพพอร์ตเวกเตอร์แมชชีนถูกสร้างขึ้นมาเพื่อแก้ไขพอดี

ส่วนที่ 2: สถาปัตยกรรมโมเดลแมชชีนเลิร์นนิง

โมเดลที่เราสร้างคือซัพพอร์ตเวกเตอร์แมชชีน หรือ SVM เพื่อให้เข้าใจว่าทำไม SVM จึงทรงพลังมากสำหรับการตรวจจับการฉ้อโกง คุณต้องเข้าใจปัญหาหลักที่มันแก้ไขก่อน

ลองนึกภาพการพล็อตธุรกรรม Amazon ทั้งหมดลงบนกราฟ ธุรกรรมจริงจะรวมกลุ่มอยู่ในบริเวณหนึ่ง ธุรกรรมฉ้อโกงรวมกลุ่มอยู่อีกบริเวณหนึ่ง ในโลกในอุดมคติ คุณสามารถลากเส้นตรงระหว่างสองกลุ่มและใช้มันจำแนกธุรกรรมใหม่ได้ แต่ข้อมูลการฉ้อโกงจริงไม่เคยสะอาดขนาดนั้น ทั้งสองกลุ่มซ้อนทับกัน พันรอบกัน และสร้างรูปร่างซับซ้อนที่ไม่มีเส้นตรงใดแยกออกจากกันได้

นี่คือจุดที่เคล็ดลับเคอร์เนลเข้ามา วิธีเคอร์เนลทำสิ่งที่น่าทึ่ง มันแปลงข้อมูลธุรกรรมของคุณทางคณิตศาสตร์จากปริภูมิสองมิติหรือสิบมิติดั้งเดิมไปยังปริภูมิที่มีมิติสูงกว่ามากซึ่งทั้งสองกลุ่มแยกออกจากกันได้ มันไม่ได้คำนวณการแปลงมิติสูงนั้นโดยตรง ซึ่งจะมีต้นทุนการคำนวณสูง แต่ใช้ฟังก์ชันเคอร์เนลในการคำนวณความคล้ายคลึงระหว่างธุรกรรมสองรายการใดๆ ในปริภูมิมิติสูงนั้นโดยไม่ต้องไปที่นั่นอย่างชัดเจน นั่นคือเคล็ดลับ

สถาปัตยกรรมการตรวจจับการฉ้อโกงของ Amazon ใช้เคอร์เนลสองประเภทขึ้นอยู่กับลักษณะของสัญญาณที่กำลังวิเคราะห์

เคอร์เนลพหุนามถูกใช้เมื่อรูปแบบที่เกี่ยวข้องมาจากการรวมกันของคุณลักษณะ มันจับผลของปฏิสัมพันธ์ระหว่างตัวแปร เช่น จำนวนเงินธุรกรรมคูณด้วยความถี่ในการซื้อ หรือวิธีการชำระเงินรวมกับความเสี่ยงด้านตำแหน่ง ปฏิสัมพันธ์เหล่านี้เป็นสิ่งที่โมเดลเชิงเส้นจะพลาดไปโดยสิ้นเชิง

เคอร์เนล RBF ซึ่งย่อมาจาก radial basis function เป็นตัวเลือกอเนกประสงค์ที่ทรงพลังที่สุด มันวัดว่าธุรกรรมสองรายการใดๆ คล้ายกันเพียงใดในลักษณะที่จัดการกับขอบเขตที่ซับซ้อนโดยอัตโนมัติ เมื่อธุรกรรมหนึ่งไม่เหมือนธุรกรรมจริงใดๆ ที่โมเดลเคยเห็นมาก่อน เคอร์เนล RBF จะให้คะแนนความคล้ายคลึงต่ำมาก ซึ่งทำเครื่องหมายไว้สำหรับการตรวจสอบ

โมเดล SVM เรียนรู้ขอบเขตการตัดสินใจโดยการระบุซัพพอร์ตเวกเตอร์ ซึ่งคือธุรกรรมที่อยู่ใกล้ขอบเขตระหว่างของจริงกับการฉ้อโกงมากที่สุด ทุกอย่างอื่นในข้อมูลการฝึกอบรมจะไม่เกี่ยวข้องอีกเมื่อพบขอบเขตแล้ว สิ่งนี้ทำให้ SVM สง่างามและมีประสิทธิภาพในการคำนวณในการใช้งานจริง

ส่วนที่ 3: กลไกคณิตศาสตร์บริสุทธิ์

ตอนนี้มาดูคณิตศาสตร์ที่ขับเคลื่อนระบบนี้กัน สูตรแต่ละสูตรด้านล่างได้รับการตรวจสอบด้วยตัวอย่างที่แก้ไขสมบูรณ์ด้วยดินสอและกระดาษโดยใช้ตัวเลขจริง

สูตรเคอร์เนลพหุนามคือ:

K(x, y) = (x · y + c)^d

โดยที่ x และ y เป็นเวกเตอร์คุณลักษณะของธุรกรรมสองรายการ c เป็นค่าคงที่ที่ควบคุมอิทธิพลของเทอมอันดับต่ำกว่า และ d คือดีกรีของพหุนามที่ควบคุมความซับซ้อนของขอบเขต

สูตรเคอร์เนล RBF คือ:

K(x, y) = exp(-γ ||x – y||²)

โดยที่ γ (แกมมา) ควบคุมว่าอิทธิพลของตัวอย่างการฝึกอบรมหนึ่งตัวอย่างขยายไปไกลแค่ไหน แกมมาเล็กหมายถึงขยายไปไกล แกมมาใหญ่หมายถึงขยายไปใกล้

ฟังก์ชันการตัดสินใจของ SVM คือ:

f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b

โดยที่ αᵢ คือน้ำหนักที่เรียนรู้สำหรับแต่ละซัพพอร์ตเวกเตอร์ yᵢ คือป้ายกำกับคลาส (+1 สำหรับการฉ้อโกง, -1 สำหรับของจริง) K(xᵢ, x) คือความคล้ายคลึงเคอร์เนลระหว่างซัพพอร์ตเวกเตอร์กับธุรกรรมใหม่ และ b คือเกณฑ์อคติ ถ้า f(x) มากกว่าศูนย์ ธุรกรรมจะถูกทำเครื่องหมายว่าเป็นการฉ้อโกง

ตอนนี้มาคำนวณแต่ละขั้นตอนด้วยตัวเลขจริงกัน

เรามีธุรกรรม Amazon สองรายการที่อธิบายด้วยคุณลักษณะสองอย่างแต่ละรายการ: จำนวนเงินธุรกรรม (ปรับให้เป็นมาตรฐาน) และความถี่ในการซื้อ

ธุรกรรม A: x = [2, 3] หมายถึงจำนวนเงินที่ปรับเป็นมาตรฐาน 2 และความถี่ 3 ธุรกรรม B: y = [1, 4] หมายถึงจำนวนเงินที่ปรับเป็นมาตรฐาน 1 และความถี่ 4

เราตั้งค่า c = 1 และ d = 2 สำหรับเคอร์เนลพหุนาม และ γ = 0.5 สำหรับเคอร์เนล RBF

เคอร์เนลพหุนามทีละขั้นตอน:

ขั้นตอนที่ 1: คำนวณผลคูณจุด x · y x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14

ขั้นตอนที่ 2: บวกค่าคงที่ c 14 + 1 = 15

ขั้นตอนที่ 3: ยกกำลัง d = 2 15² = 225

K(x, y) = 225

ค่าที่มากนี้บอกเราว่าในปริภูมิคุณลักษณะพหุนาม ธุรกรรมทั้งสองนี้คล้ายกันมาก เคอร์เนลได้จับปฏิสัมพันธ์ระหว่างจำนวนเงินกับความถี่โดยที่เราไม่ต้องคำนวณการแปลงมิติสูงอย่างชัดเจนเลย

เคอร์เนล RBF ทีละขั้นตอน:

ขั้นตอนที่ 1: คำนวณเวกเตอร์ผลต่าง x – y [2 – 1, 3 – 4] = [1, -1]

ขั้นตอนที่ 2: ยกกำลังสองแต่ละองค์ประกอบ [1², (-1)²] = [1, 1]

ขั้นตอนที่ 3: รวมผลต่างกำลังสองเพื่อให้ได้ ||x – y||² 1 + 1 = 2

ขั้นตอนที่ 4: คูณด้วยแกมมาลบ -0.5 × 2 = -1.0

ขั้นตอนที่ 5: ใช้ฟังก์ชันเอ็กซ์โพเนนเชียล exp(-1.0) = 0.3679

K(x, y) = 0.3679

คะแนน 0.3679 นี้บนมาตราส่วน 0 ถึง 1 บอกเราว่าธุรกรรมทั้งสองแตกต่างกันปานกลาง คะแนน RBF ที่ใกล้ 1 หมายความว่าธุรกรรมทั้งสองทำตัวเกือบเหมือนกัน คะแนนที่ใกล้ 0 หมายความว่าพวกมันแตกต่างกันมาก ซึ่งปักธงการฉ้อโกง

ฟังก์ชันการตัดสินใจทีละขั้นตอน:

สมมติว่า SVM ที่ผ่านการฝึกอบรมได้เรียนรู้ซัพพอร์ตเวกเตอร์สองตัวที่มีน้ำหนัก α = [0.8, 0.6] และป้ายกำกับ y = [+1, -1] และค่าเคอร์เนลสำหรับซัพพอร์ตเวกเตอร์ทั้งสองนี้เทียบกับธุรกรรมใหม่คือ [225.0, 0.3679] โดยมีอคติ 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

เนื่องจาก f(x) = 179.8793 มากกว่าศูนย์ ธุรกรรมจึงถูกจำแนกว่าเป็นของจริง สัญญาณบวกที่แข็งแกร่งจากซัพพอร์ตเวกเตอร์ตัวแรก ซึ่งแทนธุรกรรมจริง ครองการตัดสินใจ

ค่าทั้งหมดข้างต้นได้รับการตรวจสอบอย่างอิสระใน Python และให้ผลลัพธ์เหล่านี้เป๊ะๆ

ส่วนที่ 4: การใช้งานวิทยาการคอมพิวเตอร์ Python (จากศูนย์)

การใช้งานต่อไปนี้สร้างตัวตรวจจับการฉ้อโกงเคอร์เนลจากศูนย์โดยใช้ NumPy ทุกเมธอดถูกใช้งานอย่างสมบูรณ์โดยไม่มีทางลัดหรือตัวแทนชั่วคราว บล็อกการทำงานเต็มรูปแบบรวมอยู่ด้วยและได้รับการตรวจสอบว่าทำงานโดยไม่มีข้อผิดพลาด

เมื่อทำงาน โค้ดนี้จะสร้างการจำแนกการฉ้อโกงที่ถูกต้องและคะแนนความเสี่ยงที่ตีความได้ระหว่าง 0 ถึง 1 สำหรับทุกธุรกรรมในชุดทดสอบ ธุรกรรมฉ้อโกงได้คะแนนความเสี่ยงสูงใกล้ 1.0 ธุรกรรมจริงได้คะแนนความเสี่ยงต่ำใกล้ 0.0

ส่วนที่ 5: พิมพ์เขียวแมชชีนเลิร์นนิงสำหรับการใช้งานจริง

เมื่อโค้ดการใช้งานจริงนี้ถูกเรียกใช้ ทั้งโมเดลเคอร์เนล RBF และพหุนามทำความแม่นยำได้ 100% บนชุดทดสอบ โมเดล RBF ระบุซัพพอร์ตเวกเตอร์เก้าตัวและกำหนดความน่าจะเป็นของการฉ้อโกง 0.9647 ให้กับธุรกรรมฉ้อโกงที่ยืนยันแล้ว โมเดลพหุนามต้องการซัพพอร์ตเวกเตอร์เพียงสองตัวเพื่อให้ได้ผลลัพธ์เดียวกัน ซึ่งแสดงให้เห็นถึงพลังของเคอร์เนลที่เลือกมาอย่างดี

การย้ายจากเวอร์ชันที่สร้างจากศูนย์ไปยังเวอร์ชันการใช้งานจริงนำมาซึ่งความแตกต่างที่สำคัญหลายประการ ประการแรก การใช้งาน SVM ของ scikit-learn ใช้ตัวแก้การเขียนโปรแกรมกำลังสองที่ปรับให้เหมาะสมอย่างสูง โดยเฉพาะอัลกอริทึม sequential minimal optimization ซึ่งขยายไปถึงตัวอย่างการฝึกอบรมหลายล้านตัวอย่าง ในขณะที่การใช้งานที่เขียนด้วยมือของเราจะไม่สามารถใช้งานได้จริงในเชิงการคำนวณหลังจากไม่กี่พัน ประการที่สอง การปรับเทียบความน่าจะเป็นโดยใช้ Platt scaling แปลงคะแนนการตัดสินใจดิบเป็นความน่าจะเป็นที่ปรับเทียบอย่างถูกต้องซึ่งสามารถใช้ขับเคลื่อนกฎธุรกิจแบบเป็นขั้น เช่น ส่งคะแนนที่สูงกว่า 0.5 ไปยังการตรวจสอบด้วยตนเองและบล็อกคะแนนที่สูงกว่า 0.9 โดยตรง ประการที่สาม พารามิเตอร์ class_weight='balanced' ชดเชยความไม่สมดุลตามธรรมชาติในชุดข้อมูลการฉ้อโกงโดยอัตโนมัติ ซึ่งธุรกรรมจริงมีจำนวนมากกว่าธุรกรรมฉ้อโกงมาก ทำให้มั่นใจได้ว่าโมเดลไม่ได้เพียงแค่เรียนรู้ที่จะเรียกทุกอย่างว่าเป็นของจริงเพื่อให้ได้ความแม่นยำสูง

ในสภาพแวดล้อมการใช้งานจริงของ Amazon สถาปัตยกรรมขยายออกไปไกลกว่านั้น โมเดลได้รับการฝึกอบรมใหม่อย่างต่อเนื่องเมื่อรูปแบบการฉ้อโกงใหม่ๆ เกิดขึ้น คุณลักษณะได้รับการเสริมด้วยสัญญาณที่ใช้กราฟ เช่น บัญชีเชื่อมต่อกับเครือข่ายการฉ้อโกงที่รู้จักหรือไม่ ผลลัพธ์ของ SVM เคอร์เนลมักถูกใช้เป็นสัญญาณหนึ่งในหลายสัญญาณภายในโมเดลกลุ่มที่ใหญ่กว่า โดยมีส่วนร่วมในความสามารถเฉพาะตัวในการวาดขอบเขตที่ไม่เป็นเชิงเส้นในลักษณะที่โมเดลที่ใช้ต้นไม้ไม่สามารถเทียบได้

ข้อมูลเชิงลึกเชิงกลยุทธ์

สำหรับผู้ปฏิบัติงาน AI และผู้นำธุรกิจ บทเรียนจากบทความนี้ลึกซึ้งกว่าการตรวจจับการฉ้อโกง วิธีเคอร์เนลเปิดเผยความจริงที่กว้างขึ้นเกี่ยวกับระบบอัจฉริยะ: ปริภูมิอินพุตดิบแทบไม่เคยเป็นที่ที่คำตอบอาศัยอยู่ ข้อมูลโลกจริงพันกัน ซ้อนทับกัน และเต็มไปด้วยความสัมพันธ์ที่ไม่เป็นเชิงเส้นซึ่งความคิดเชิงเส้นไม่สามารถคลี่คลายได้ พลังของเคล็ดลับเคอร์เนลคือมันช่วยให้คุณให้เหตุผลในปริภูมิทางคณิตศาสตร์ที่สมบูรณ์กว่ามากโดยไม่มีต้นทุนการคำนวณในการไปที่นั่นจริง หลักการเดียวกัน การแปลงปัญหายากให้เป็นปัญหาที่คำตอบมองเห็นได้ ใช้ได้กับระบบแนะนำ การให้คะแนนความเสี่ยง การบำรุงรักษาเชิงคาดการณ์ การวินิจฉัยด้านสุขภาพ และแทบทุกปัญหาแมชชีนเลิร์นนิงระดับองค์กรที่จริงจัง ผู้นำธุรกิจที่เข้าใจสิ่งนี้จะถามคำถามที่ดีกว่ากับทีมวิทยาศาสตร์ข้อมูลของพวกเขา วิศวกรที่เข้าใจสิ่งนี้จะสร้างระบบที่ทำงานได้จริงเมื่อข้อมูลปฏิเสธที่จะสะอาดและเรียบง่าย

การตรวจจับการฉ้อโกงของ Amazon ไม่ใช่เวทมนตร์ มันคือคณิตศาสตร์ที่ทำงานอย่างมองไม่เห็นด้วยความเร็วมหาศาล และตอนนี้คุณเข้าใจแล้วว่าอย่างไร

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

เผยแพร่ครั้งแรกบน LinkedIn โดย Keshavan Thiagaraja อ่านต้นฉบับบน LinkedIn [1]