安全是有分量的

ddos防御攻击_专业网站防护_怎么防

2021-06-12 05:15栏目:智能汇

ddos防御攻击_专业网站防护_怎么防

长期以来,FICO一直是使用机器学习(ML)和人工智能(AI)帮助客户改进金融服务行业决策的先驱。我们在这一领域的第一项专利是在25年前,关于使用神经网络检测信用卡交易欺诈。机器学习在整个公司不仅在我们业界领先的消费者欺诈解决方案中,而且在从网络安全风险检测到适应性营销概况的解决方案中。在信用评分方面,我们将从ML获得的洞察力的能力和速度与我们25年以上的领域专业知识相结合,以确保由此产生的模型具有高度的预测性,并可向客户、监管机构和消费者解释。这种可解释性至关重要。我们最近实现了一个里程碑,在美国有2.5亿个消费者帐户可以通过我们的FICO®分数开放存取计划免费访问他们的FICO®分数。我们必须能够以清晰明了的方式向这些消费者解释他们为什么会这样得分。在生成完全透明、可解释和可接受的模型方面,与ML技术相关的挑战有很多,特别是最先进的技术,如随机森林和梯度增强树。虽然构建可解释的人工智能是FICO投入巨资的一个领域,但它仍然是一个活跃的研究领域(跨越了过去25年),在监管机构的眼中相对来说还是个新生事物。不过,我们一直在测试新的方法和分析技术,以提高我们的FICO®评分模型的预测性。作为这项研究的一部分,win7系统防御ddos,我们进行了一个研究项目,以了解无约束、最先进的ML技术对FICO评分的影响。我将在2018年的FICO世界大会上展示结果-这里是一个概述。机器学习测试目前,我们使用FICO®Model Builder软件包中的记分卡模块技术构建FICO®分数模型。通过记分卡模块构建的模型的输出是一个可解释的工程记分卡。为了计算FICO分数,我们开发了分段记分卡系统,每个系统都针对不同的子群体进行了调整。我们的计分卡是高度可预测和可解释的。 在我们的研究中,我们使用两种最先进的学习技术:神经网络和梯度增强树重建了最新的FICO®分数-FICO®分数9。我们控制了这个实验的所有其他方面:我们使用了与构建FICO评分9相同的数百万消费者信用文件的数据集,以及我们用作FICO评分9模型候选的数百个变量集。这是很重要的一点。我们正在寻找一个真正的苹果对苹果的不同建模技术的比较,phpcc防御,而不是混淆这一分析与探索相对优势的特征创建。其目的是了解在所有其他条件不变的情况下,利用无约束的ML技术,探索ML模型体系结构,可以获得什么样的模型精度改进。我们的发现可能会让你大吃一惊:我们发现,使用这些尖端的ML技术,KS(Kolmogorov-Smirnov统计)的预测提升率不到2%。我们研究了不同产品(汽车、抵押贷款和银行卡)以及不同生命周期应用(收购和账户管理)的分数的有效性。一致地,我们发现由ML驱动的算法提供的额外提升在适度的1-2%范围内。为什么机器学习没有给我们更多的动力?为什么这么小的电梯?当你挖掘了一个相对稳定的数据源25年以上,就像我们对信用局的数据一样,并且在这段时间里建立了非常复杂的记分卡系统,这种方法似乎能够捕捉到几乎所有的信号和变量之间复杂的交互作用,普通杀毒软件防御ddos,即使是最先进的ML技术也能发现。 虽然ML可能不是推动FICO®分数不断提高的解决方案,但我们仍然看到了大量证据,证明了机器学习将成为未来分析的关键驱动力的原因。一个数据点:一个分析员花了40个小时建立了ML分数,该分数显示出比FICO®score 9模型的风险预测稍有改善,而FICO®score 9模型需要5个分析员一个月才能建立。我们所说的是构建算法所需的资源小时数的数量级减少。对于广泛采用的分数(如FICO®分数),更容易提出投入额外的时间让5名分析师改进模型的理由。但对于旨在研究新的分析挑战或我们缺乏专业知识的新数据源的研发工作,ML是一个非常强大的工具,可以比传统方法更快地获得重要的见解。为什么2%的改进(实际上,任何改进)都不能证明用最先进的机器学习技术构建的分数来代替FICO®分数?如果不是因为前面提到的可解释性问题,可能会这样。使用ML模型,我们会降低模型的透明度,免费cc防御软件,并且无法确保模型中编码的结果模式是完全可接受和直观的,很难向消费者或监管机构解释这些模式,抗ddos防御,更不用说贷款人了。研究还在继续FICO在ML及其在欺诈检测、网络安全、营销和其他业务挑战方面的应用投入了大量资金。在信用风险领域,我们使用ML作为一个强大的工具,可以快速洞察新市场中信用风险评分的潜力,或者我们以前从未使用过的新数据源的潜力,以及对赛马(又名基准)我们的记分卡模型的最新和最伟大的机器学习品种。 我们将继续研究如何利用机器学习在自动化和模型有效性方面的优势,以及我们在构建可接受和可解释的模型方面的专业知识。关注可解释的人工智能主题,它是当前FICO的ML研究的一个主要焦点。欲了解更多关于本次ML"赛马"的见解,包括我们关于比较预测强度和模型解释性/适口性的发现,请与我一起参加4月16日的FICO World大会。