Deep Autoencoder
Un deep autoencoder è un tipo di rete neurale artificiale progettata per comprimere e ricostruire autonomamente i dati in ingresso. Più scarsa è la qualità della ricostruzione da parte dell’autoencoder, maggiore è la probabilità che l’istanza analizzata rappresenti un’anomalia o un’attività potenzialmente fraudolenta. Queste reti permettono un apprendimento non supervisionato, senza la necessità di disporre di casi storici di frode per costruire un modello efficace. Tuttavia, quando disponibili, i dati relativi a frodi pregresse possono migliorare ulteriormente l’affidabilità complessiva del modello.
Reinforcement Learning
Il Reinforcement Learning (apprendimento per rinforzo) è un’area del Machine Learning in cui si sviluppano modelli semi-autonomi in grado di trovare il modo più efficace per raggiungere un determinato obiettivo. Abbiamo integrato questa tecnologia nella nostra soluzione per testare le regole di business del programma loyalty e individuare eventuali falle o vulnerabilità logiche.
Metodi di Clustering
I metodi di clustering raggruppano gli account dei membri con storie di interazione simili, utilizzando modelli come DB-Scan, kNN, GMM, e altri. I gruppi così individuati vengono poi utilizzati come input per il modello di classificazione ensemble. Il clustering aumenta l’affidabilità complessiva del modulo antifrode e riduce il numero di falsi positivi, poiché il processo di addestramento della rete neurale si basa su dataset più coerenti e omogenei.
