Tesla ADS - Além da fraude com inteligência artificial

Machine Learning Redes Neurais Além da fraude com inteligência artificial

www.tesla-ads.com contato@tesla-ads.com

o  Empresa o Mercado o O que é aprendizado de máquina o  Porque usar para prevenção de fraudes o Como aplicar ao seu negócio o ADS Platform

Empresa A Tesla ADS é uma empresa com foco em sistemas integrados e

automatizados de decisão. Como integrante do Startup Program da SAP e AWS Activate da Amazon

Web Services, nossas plataformas de serviços rodam usando o conjunto das melhores tecnologias do mercado, para servir como base para criação dos modelos de inteligência artificial.

Mercado

Fraudes em Cartão de Crédito

https://www.spcbrasil.org.br/ spc_brasil_apresentacao_pesquisa_fraudes_20141.pdf

Cartão  de  crédito  clonado:        Ø  53%  Descobriu  conferindo  a  fatura    Ø  72%  Cancelaram  o  cartão  de  crédito  

Ø  63%  Foram  res=tuídos  integralmente  

Ø  66%  Ficaram  mais  criteriozos  com  o  uso  do  cartão  

Cartão  de  crédito  é  o  quinto  lugar  em  nas  

fraudes  mais  ocorridas    

Fraudes em Cartão de Crédito

http://noticias.serasaexperian.com.br/maio-registra-161-102-tentativas-de-fraude-contra-o-consumidor-revela-indicador-serasa-experian/ Maio de 2015 registrou: -161.102 tentativas de fraude conhecida como roubo de identidade - Uma tentativa de fraude a cada 16,6 segundos no país.

Fraudes em Seguros http://www.cnseg.org.br/cnseg/servicos-apoio/noticias/ fraude-prejudica-todo-o-sistema-de-seguros.html A Confederação Nacional das Empresas de Seguros Gerais, Previdência Privada e Vida, Saúde Suplementar e Capitalização (CNseg) Como um câncer, a fraude prejudica todo o sistema de seguros. Os impactos da fraude não só para a seguradora, mas também para toda a sociedade, uma vez que isso gera aumento do preço do seguro e prejudica a entrada de novos consumidores. “Sem novos entrantes no mercado, fica mais complicado ter preços mais acessíveis”

Fraudes em Seguros http://www.cnseg.org.br/cnseg/servicos-apoio/noticias/ fraude-prejudica-todo-o-sistema-de-seguros.html Em números, as fraudes comprovadas, sem considerar previdência, saúde e capitalização, somaram R$ 448 milhões em 2014, ou seja, 1,7% em relação aos sinistros avisados dos Seguros Gerais. Em 2013, as fraudes totalizaram R$ 350 milhões (1,5%) e em 2012, R$ 340 milhões (1,2%). “Se colocar esse índice em cima dos sinistros suspeitos, o indicador sobe para 20%. Em cima dos sinistros investigados, avança para 25%.

O que é aprendizado de máquina

(machine learning)

Exemplos de Machine Learning As regras da estrada não funcionam aqui.

Exemplos de Machine Learning Minhas compras fazem o sistema aprender.

Meu feedback ensina o sistema a se aprimorar e evoluir

Exemplos de Machine Learning

Marcar os casos ensina o sistema a melhorar e evoluir

Compras anteriores fazem o sistema aprender.

Machine Learning é… “Sistemas inteligentes que aprendem automaticamente,

preveem e agem usando dados”

APRENDER PREVEEM

AGEM

“sem regras predefinidas"

Porque usar para prevenção de fraudes

Fraude é adversa

Disciplinas como otimização para

ferramentas de busca tem competidores de acordo com regras…

...prevenção de fraude tem

adversários hostis propositalmente

quebrando as regras

Padrões de Fraudes mudam rapidamente

Regras geradas por humanos não evoluem

rápido suficiente

Cada barra é um dia

Esta é $691,000

Fraude é de cauda-longa

Soma dos casos menores é mais danosa que os casos

maiores

país

varejo

emissor

cartão

valor

Regras Humanas Vs Modelos de Máquina Regras Humanas Olhar  para  todas  transações  para  cada  varejo  nos  úl=mos  30  dias  Calcular  a  taixa  de  de  desvio  padrão  do  declínio  para  cada  varejo  por  dia.  Criar  uma  regra  para  cada  segmento  de  varejo  Ação:  Negar  transações  quando  a  taixe  de  declínio  aumentar  no  fator  de  3x.  

Um tamanho para todas regras, muitas revisões manuais

Modelos de Máquina(Redes Neurais) Olhar  para  todas  transações  negadas  para  cada  varejo  nos  úl=mos  3  anos  usando  princípios  de  Big  Data  Calcular  a  taixa  padrão  de  desvio  para  cada  varejo  por  dia,  por  hora,  localização,  milhares  de  maneiras...  Criar  um  modelo  probabilís=co  para  cada  varejo  para  capturar  as  nuâncias  de  cada  um.  Ação:  Negar  transações  quando  a  probabilidade  da  taixa  de  declínio  aumentar  o  risco  além  do  normal  dependendo  do  comportamento  do  lojista  

Modelos probabilísticos encontram nuâncias de cada caso

Como aplicar ao seu negócio

Visão do processo

Processo de aprendizado

Passos para criação da Rede Neural

Pegar Dados

Design Modelo

Treinar/Testar Comparar Publicar

1.  Pegar dados - dados históricos, terceiros, dados proprietátios.

2.  Design do Modelo – Desenhar as funcionalidades do modelo que irão inferir no comportamento.

3.  Treinar/Testar – Aprendizado supervisionado. Inferir uma função de dados nomeados consiste em exemplos de treinamento.

4.  Comparação – Comparar contra a base, performance contra base atual para entender melhorias de performance.

5.  Publicação – Prover novas configurações da caixa de areia para ambiente de produção

Muitas escolhas para treinar as Redes Neurais

Modelos probabilísticos encontram nuâncias de cada caso

Qual é uma zebra?

Métodos

Como sabemos que funciona?

ü ROC Curves

ü Ranges de detecção

ü Ranges de Falso Positivo

ü Objetivo: Maior taixa de detecção com menor taixa de falso positivo

MEDINDO E AVALIANDO A PERFORMANCE DA REDE

O que você precisa Infraestrutura

Storage Memória Processadores Largura de banda

Time Cientistas de dados Engenheiros Analista

Dados Base treinamento Over/Undersampling Overfitting

Sistema de predição em que a linha verde representa um modelo sobreajustado e a linha preta um modelo regularizado.

Intuição Humana ainda é necessária

hPp://www.tylervigen.com/view_correla=on?id=2948  

Quebrando as regras Humanos+computadores=máquina definitiva de previsão

Entendível Escala de Big-Data

Fácil de usar – Machine Learning para todos

Aprendizado de Máquina Contínuo

“Testes de caixa branca para análises diárias” “Em memória ,

distribuída”

“democratizar o acesso para aprendizado estatístico avançado”

ADS Platform

ADS Platform  A  ADS  Pla]orm  roda  100%  em  memória  no  topo  do  SAP  HANA  e  dentro  da  melhor  

infraestrutura  de  cloud  compu=ng  do  mercado,  atendendo  aos  mais  exigentes  compliances  como  PCI-­‐DSS  e  HIPPA.    

 Através  do  treinamento  das  nossas  Redes  Neurais  com  quan=dades  massivas  de  dados,  nossos  modelos  de  IA  aprendem  e  reconhecem  novos  padrões  automa=camente,  sem  necessidade  de  reescrever  código.  

ADS Platform ü  Precisão de 96% em menos de 1,5 s

ü  Análises geográficas em tempo real

ü  %Erro: ADS Platform 4% Vs +40% Processo tradicional Proposta de valor ü  Redução de risco e custo

ü  Tempo de resposta instantâneo

Sistema atual de tomada de decisões tornou-se completamente obsoleto.

ADS Platform - Telas ü  Dashboard

ü  Contendo o resumo diário e mensal dos modelos das redes neurais

ü  Geoint (Geoprocessamento+inteligência)

ADS Platform - Telas ü  Aplicação

Para testar manualmente os modelos das redes.

ADS Platform - Telas ü  API

Token e documentação da API para integração, com resumo das chamadas

Machine Learning Redes Neurais Além da fraude com inteligência artificial

www.tesla-ads.com contato@tesla-ads.com

Obrigado