Credit Card Fraud Detection with a Neural-Network
Por Sushmito Ghosh and Douglas L. Reilly
En este artículo proponen el uso de una red neuronal que detecta fraude en las tarjetas de crédito, entrenando con base a las transacciones y probando datos que se registraron en la tarjeta en un periodo de 2 meses. Esta red se formo sobre ejemplos de fraude de tarjetas perdidas, robadas, fraude de falsificación. Un sistema basado en esto se instaló en IBM 3090 Mellon Bank.
Este tipo de fraude va en aumento en la industria de las tarjetas de crédito, se estima que alrededor de 850 millones de dólares es la pérdida por fraudes, lo que es un 10% más que en 1991.
Aunque hay bastantes formas de fraude en tarjetas de crédito, hay algunas categorías principales. El fraude debido a robo o perdida representa el nivel básico. Otra categoría es el fraude por tarjetas falsificadas. Y el robo de tarjetas de correo llamado NRI ha sido muy importante en los últimos años, en algunas partes el problema ha sido tan grave que los emisores han usado métodos alternativos de tarjeta de entrega y programas especiales de activación de tarjetas de crédito. Con la tarjeta de activación la tarjeta esta bloqueada hasta que el banco llama al cliente para ver si recibió la tarjeta.
Otra fuente de fraude es la pérdida por correo, en esos casos el comprador no esta presente en el momento de la transacción.
La diversidad de actividades fraudulentas como se demuestra en las diferentes formas de fraude que se mencionaron ya, hace que la detección del comportamiento fraudulento no sea fácil, entonces los bancos al obtener solicitudes de tarjetas de crédito tienen que seguir una rutina para saber detectar si hay fraude.
Entonces se revisa cada actividad en la cuenta, y es posible especificar
límites nominales en el número de transacciones que se espera que ocurran en un día de manera razonable.
La mayoría de los bancos usan solamente el análisis estadístico básico para el desarrollo de normas contra el fraude, el uso de técnicas más sofisticadas tecnológicas pueden ayudar a detectar fraude para mejorar los resultados. Particularmente esto puede ser visto como un patrón de reconocimiento, este problema de detección de fraude parece ser muy adecuado para aplicar una solución con
red neuronal.
El banco Mellon estudio la factibilidad de usar
redes neuronales en la detección de este fraude, y determinó la eficacia de reconocer fraudes en tarjetas de crédito. Esto consistió en la formación de una red neuronal basada en muestras de fraude, seguida con la ejecución de pruebas a ciegas de el modelo , entrenando solo una parte, si muestrar y guardando todas las transacciones.
Cuando se llega una solicitud de transacción, para que pudiera ser actualizada se comprueban los datos del titular de la tarjeta(número de cuenta y código). También se pueden tomar datos como
hora del día. Entonces son archivados estos datos de las transacciones para la red neuronal.
El diseño de la red neuronal se basa en un proceso de extracción de características al que se le aplica una entrada de datos con el fin de representar el comportamiento. Un conjunto de 50 campos de datos se le puede combinar para que produzca 20 características que se utilicen como entrada en la red. Las caracteristicas se pueden agrupar en categorías. Los
datos de entrada pueden incluir elementos descriptivos como la cantidad de transacción, el día la hora a la que se produce, así como caracterización de las características del uso de la tarjeta para pagos efectuados con ella.
Se usan
tres capas, de alimentación hacia adelante, que es un modelado preciso de distribuciones estadísticas. Este tipo de red es ideal para modelos compactos y de forma no lineal de regiones malla, entre los procedimientos de formación de varios conocidos para dicha red Feed-forward de tres capas que combina redes de radio con pocos perceptrones con interior de subproductos de perceptrones actualmente llamado Función de base radial redes (RBFs). En una red
RBF, la capa de entrada de células transmite el vector de patrón de entrada a todas las células en la segunda capa.
En una red RBF la capa de entrada transmite un vector de patrón de entrada a todas las células en la segunda capa. Se calcula la activacion:
Durante el entrenamiento correctamente los patrones correctos de la clase, que provoca actividad en la capa media, incrementa el peso W2ij:
.gif)
.gif)
.gif)
.gif)
