Amazon'un Çekirdek Yöntemlerini Kullanarak Milisaniyeler İçinde Dolandırıcılığı Nasıl Tespit Ettiği
Yapay Zekadaki Gizli Matematiğin Büyüsü
Çoğu insan dolandırıcılık tespitinin bir yazılım sorunu olduğunu düşünür. Gerçekte, bu bir matematik sorunudur. Ve arkasındaki matematik, çoğu insanın fark ettiğinden çok daha güzel ve şaşırtıcıdır.
Amazon her gün küresel pazarında milyonlarca işlem gerçekleştirir. Bu muazzam aktivite hacminin içinde gizlenenler: dolandırıcılık amaçlı siparişler, çalınmış kredi kartı işlemleri, sahte hesaplar ve şüpheli satın alma kalıplarıdır. Zorluk şu ki, dolandırıcılar asla sabit durmaz. Davranışlarını, cihazlarını, konumlarını ve yöntemlerini sürekli değiştirirler. Basit kural tabanlı sistemler ayak uydurmakta zorlanır. Çekirdek yöntemleri adı verilen bir matematik dalı tarafından desteklenen makine öğrenimi, Amazon ölçeğinde gerçek zamanlı dolandırıcılık tespitini mümkün kılan şeydir.
Bu makale, Yapay Zekadaki Gizli Matematiğin Büyüsü serisinin bir parçasıdır. Bugün çekirdek yöntemlerine, destek vektör makinelerine ve bu matematiksel fikirlerin Amazon müşterilerini her günün her saniyesinde nasıl koruduğuna derinlemesine dalıyoruz.
Bölüm 1: İş Senaryosu
Sıradan bir Amazon müşterisi hayal edin. Hafta sonları kitap alır, ara sıra elektronik sipariş eder ve hafta içi ev eşyaları stoklar. Hesabı üç yıllık, teslimat adresi aylardır değişmedi ve alışverişleri her seferinde aynı şehirden yapılıyor.
Şimdi bir Salı öğleni olağandışı bir şey olduğunu hayal edin. On dakika içinde hesabından üç yüksek değerli sipariş verilir. Teslimat adresi başka bir ülkeye değişir. Yeni bir ödeme yöntemi eklenir. Siparişleri veren cihaz farklıdır. IP adresi, bu müşterinin normalde alışveriş yaptığı yerden binlerce kilometre uzaktaki bir konuma işaret eder.
Amazon milisaniyeler içinde bir karar vermelidir. Bu, olağandışı alışverişler yapan gerçek müşteri mi, belki seyahat ediyor ya da hediye alıyor? Yoksa kimlik bilgilerini ele geçirmiş ve hesap kilitlenmeden hızla hareket eden bir dolandırıcı mı?
Her iki yönde de yanlış kararın ciddi sonuçları vardır. Dolandırıcılığı onaylamak; mali kayıplar, ters ibrazlar, zarar gören satıcı ilişkileri ve aşınan müşteri güveni demektir. Meşru bir müşteriyi engellemek; kötü bir deneyim, kaçırılan bir satış ve yıllarca sadık kalmış biriyle bozulmuş bir ilişki demektir.
Bu, basit if-else kurallarıyla çözebileceğiniz bir sorun değil. Kalıplar çok karmaşık, çok çeşitli ve çok hızlı. Bu tam olarak çekirdek yöntemlerinin ve destek vektör makinelerinin çözmek için tasarlandığı sorundur.
Bölüm 2: Makine Öğrenimi Modelinin Mimarisi
Kurduğumuz model bir destek vektör makinesi veya SVM'dir. SVM'lerin dolandırıcılık tespiti için neden bu kadar güçlü olduğunu anlamak için önce çözdükleri temel sorunu anlamanız gerekir.
Tüm Amazon işlemlerini bir grafiğe çizdiğinizi hayal edin. Gerçek işlemler bir alanda kümelenir. Dolandırıcılık işlemleri başka bir alanda kümelenir. İdeal bir dünyada, iki grup arasına düz bir çizgi çekebilir ve bunu yeni işlemleri sınıflandırmak için kullanabilirdiniz. Ancak gerçek dolandırıcılık verileri asla bu kadar temiz değildir. İki grup örtüşür, birbirinin etrafında kıvrılır ve hiçbir düz çizginin ayıramayacağı karmaşık şekiller oluşturur.
İşte burada çekirdek hilesi devreye girer. Bir çekirdek yöntemi dikkat çekici bir şey yapar. İşlem verilerinizi orijinal iki boyutlu veya on boyutlu uzayından, iki grubun ayrılabilir hale geldiği çok daha yüksek boyutlu bir uzaya matematiksel olarak dönüştürür. Bu yüksek boyutlu dönüşümü doğrudan hesaplamaz; bu hesaplama açısından pahalı olurdu. Bunun yerine, o yüksek boyutlu uzayda herhangi iki işlem arasındaki benzerliği hesaplamak için bir çekirdek fonksiyonu kullanır ve oraya açıkça gitmek zorunda kalmaz. İşte hile bu.
Amazon'un dolandırıcılık tespit mimarisi, analiz edilen sinyalin niteliğine bağlı olarak iki tür çekirdek kullanır.
Polinom çekirdeği, ilgili kalıp özellik kombinasyonlarından geldiğinde kullanılır. İşlem tutarının satın alma sıklığıyla çarpımı veya ödeme yönteminin konum riskiyle birleşimi gibi değişkenler arasındaki etkileşim etkilerini yakalar. Bu etkileşimler, doğrusal bir modelin tamamen kaçıracağı şeylerdir.
Radyal taban fonksiyonu anlamına gelen RBF çekirdeği, en güçlü genel amaçlı seçimdir. Herhangi iki işlemin ne kadar benzer olduğunu, keyfi olarak karmaşık sınırları otomatik olarak ele alan bir şekilde ölçer. Bir işlem, modelin daha önce gördüğü hiçbir gerçek işleme benzemiyorsa, RBF çekirdeği ona çok düşük bir benzerlik puanı verir ve bu da onu inceleme için işaretler.
SVM modeli, gerçek ve dolandırıcılık arasındaki sınıra en yakın işlemler olan destek vektörlerini belirleyerek karar sınırını öğrenir. Sınır bulunduğunda eğitim verilerindeki diğer her şey önemsiz hale gelir. Bu, SVM'leri üretimde zarif ve hesaplama açısından verimli kılar.
Bölüm 3: Saf Matematiksel Motor
Şimdi bu sistemi çalıştıran matematiğe bakalım. Aşağıdaki her formül, gerçek sayılarla kalem ve kağıtla tamamen çözülmüş bir örnekle doğrulanmıştır.
Polinom çekirdeği formülü şöyledir:
K(x, y) = (x · y + c)^d
burada x ve y iki işlemin özellik vektörleri, c daha düşük dereceli terimlerin etkisini kontrol eden bir sabit ve d sınırın karmaşıklığını kontrol eden polinomun derecesidir.
RBF çekirdeği formülü şöyledir:
K(x, y) = exp(-γ ||x – y||²)
burada γ (gama), tek bir eğitim örneğinin etkisinin ne kadar uzağa ulaştığını kontrol eder. Küçük gama uzak erişim, büyük gama yakın erişim anlamına gelir.
SVM karar fonksiyonu şöyledir:
f(x) = Σ αᵢ yᵢ K(xᵢ, x) + b
burada αᵢ her destek vektörü için öğrenilen ağırlıklar, yᵢ sınıf etiketleri (dolandırıcılık için +1, gerçek için -1), K(xᵢ, x) bir destek vektörü ile yeni işlem arasındaki çekirdek benzerliği ve b sapma eşiğidir. f(x) sıfırdan büyükse, işlem dolandırıcılık olarak işaretlenir.
Şimdi her hesaplamayı gerçek sayılarla adım adım yapalım.
Her biri iki özellikle tanımlanan iki Amazon işlemimiz var: işlem tutarı (normalize edilmiş) ve satın alma sıklığı.
İşlem A: x = [2, 3] yani normalize edilmiş tutar 2 ve sıklık 3 İşlem B: y = [1, 4] yani normalize edilmiş tutar 1 ve sıklık 4
Polinom çekirdeği için c = 1 ve d = 2, RBF çekirdeği için γ = 0.5 ayarlıyoruz.
Polinom çekirdeği adım adım:
Adım 1: Nokta çarpımı x · y hesaplayın x · y = (2 × 1) + (3 × 4) = 2 + 12 = 14
Adım 2: c sabitini ekleyin 14 + 1 = 15
Adım 3: d = 2 kuvvetine yükseltin 15² = 225
K(x, y) = 225
Bu büyük değer bize polinom özellik uzayında bu iki işlemin son derece benzer olduğunu söyler. Çekirdek, tutar ve sıklık arasındaki etkileşimi, yüksek boyutlu dönüşümü hiçbir zaman açıkça hesaplamak zorunda kalmadan yakaladı.
RBF çekirdeği adım adım:
Adım 1: Fark vektörü x – y hesaplayın [2 – 1, 3 – 4] = [1, -1]
Adım 2: Her elemanın karesini alın [1², (-1)²] = [1, 1]
Adım 3: Kare farkları toplayarak ||x – y||² elde edin 1 + 1 = 2
Adım 4: Negatif gama ile çarpın -0.5 × 2 = -1.0
Adım 5: Üstel fonksiyonu uygulayın exp(-1.0) = 0.3679
K(x, y) = 0.3679
0'dan 1'e kadar bir ölçekte bu 0.3679 puanı bize iki işlemin orta derecede farklı olduğunu söyler. 1'e yakın bir RBF puanı, iki işlemin neredeyse aynı davrandığı anlamına gelir. 0'a yakın bir puan, çok farklı oldukları anlamına gelir ve bu bir dolandırıcılık bayrağı kaldırır.
Karar fonksiyonu adım adım:
Eğitilmiş SVM'nin α = [0.8, 0.6] ağırlıkları ve y = [+1, -1] etiketleriyle iki destek vektörü öğrendiğini ve bu iki destek vektörünün yeni bir işleme karşı çekirdek değerlerinin [225.0, 0.3679] olduğunu, sapma b = 0.1 ile varsayalım.
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 sıfırdan büyük olduğundan, işlem gerçek olarak sınıflandırılır. Gerçek bir işlemi temsil eden ilk destek vektöründen gelen güçlü pozitif sinyal karara hakim olur.
Yukarıdaki tüm değerler Python'da bağımsız olarak doğrulandı ve tam olarak bu sonuçları verdi.
Bölüm 4: Python Bilgisayar Bilimi Uygulaması (Sıfırdan)
Aşağıdaki uygulama, NumPy kullanarak sıfırdan bir çekirdek dolandırıcılık dedektörü oluşturur. Her yöntem kısayollar veya yer tutucular olmadan tamamen uygulanmıştır. Tam yürütme bloğu dahildir ve hatasız çalıştığı doğrulanmıştır.
Çalıştırıldığında, bu kod test kümesindeki her işlem için doğru dolandırıcılık sınıflandırmaları ve 0 ile 1 arasında yorumlanabilir risk puanları üretir. Dolandırıcılık işlemleri 1.0'a yakın yüksek risk puanları alır. Gerçek işlemler 0.0'a yakın düşük risk puanları alır.
Bölüm 5: Üretim Makine Öğrenimi Planı
Bu üretim kodu çalıştırıldığında, hem RBF hem de polinom çekirdek modelleri test kümesinde %100 doğruluk elde eder. RBF modeli dokuz destek vektörü tanımlar ve onaylanmış dolandırıcılık işlemlerine 0.9647 dolandırıcılık olasılığı atar. Polinom modeli aynı sonucu elde etmek için yalnızca iki destek vektörüne ihtiyaç duyar ve bu, iyi seçilmiş bir çekirdeğin gücünü gösterir.
Sıfırdan oluşturulan sürümden üretim sürümüne geçmek birkaç önemli fark getirir. Birincisi, scikit-learn'in SVM uygulaması, milyonlarca eğitim örneğine ölçeklenen son derece optimize edilmiş bir ikinci dereceden programlama çözücüsü, özellikle ardışık minimal optimizasyon algoritması kullanır; oysa elle yazılmış uygulamamız birkaç binden sonra hesaplama açısından pratik olmaz. İkincisi, Platt ölçeklendirmesi kullanan olasılık kalibrasyonu, ham karar puanlarını, 0.5'in üzerindeki bir puanı manuel incelemeye göndermek ve 0.9'un üzerindeki puanları doğrudan engellemek gibi kademeli iş kurallarını yönlendirmek için kullanılabilecek düzgün kalibre edilmiş olasılıklara dönüştürür. Üçüncüsü, class_weight='balanced' parametresi, gerçek işlemlerin dolandırıcılık işlemlerini büyük ölçüde aştığı dolandırıcılık veri kümelerindeki doğal dengesizliği otomatik olarak telafi eder ve modelin yüksek doğruluk elde etmek için her şeye gerçek demeyi öğrenmemesini sağlar.
Gerçek Amazon üretim ortamlarında mimari daha da genişler. Yeni dolandırıcılık kalıpları ortaya çıktıkça modeller sürekli olarak yeniden eğitilir. Bir hesabın bilinen dolandırıcılık ağlarına bağlı olup olmadığı gibi graf tabanlı sinyallerle özellikler zenginleştirilir. Çekirdek SVM çıktısı genellikle daha büyük bir topluluk modeli içindeki birçok sinyalden biri olarak kullanılır ve ağaç tabanlı modellerin eşleşemeyeceği şekillerde doğrusal olmayan sınırlar çizme konusundaki benzersiz yeteneğine katkıda bulunur.
Stratejik İçgörü
Yapay zeka uygulayıcıları ve iş liderleri için bu makaleden çıkan ders, dolandırıcılık tespitinden daha derindir. Çekirdek yöntemleri, akıllı sistemler hakkında daha geniş bir gerçeği ortaya çıkarır: ham girdi uzayı nadiren cevabın yaşadığı yerdir. Gerçek dünya verileri iç içe geçmiş, örtüşen ve doğrusal düşüncenin çözemeyeceği doğrusal olmayan ilişkilerle doludur. Çekirdek hilesinin gücü, gerçekten oraya gitmenin hesaplama maliyeti olmadan çok daha zengin bir matematiksel uzayda akıl yürütmenize izin vermesidir. Aynı ilke, zor bir sorunu cevabın görünür hale geldiği bir soruna dönüştürmek, öneri sistemlerine, risk puanlamasına, tahmine dayalı bakıma, sağlık teşhisine ve pratikte her ciddi kurumsal ölçekli makine öğrenimi sorununa uygulanır. Bunu anlayan iş liderleri, veri bilimi ekiplerine daha iyi sorular soracaktır. Bunu anlayan mühendisler, veriler temiz ve basit olmayı reddettiğinde gerçekten çalışan sistemler inşa edecektir.
Amazon'un dolandırıcılık tespiti büyü değildir. Görünmez bir şekilde muazzam bir hızda çalışan matematiktir ve artık tam olarak nasıl olduğunu anlıyorsunuz.
#MachineLearning #ArtificialIntelligence #DataScience #Mathematics #Amazon #FraudDetection #KernelMethods #SVM #RBFKernel #PolynomialKernel #TheMagicOfHiddenMathematics #AIEngineering #MLEngineering #Python #SVMClassification #EnterpriseAI #AIStrategy #DeepLearning #NeuralNetworks #TechLeadership
Orijinal olarak LinkedIn'de Keshavan Thiagaraja tarafından yayınlanmıştır. Orijinali LinkedIn'de okuyun. [1]