安全是有分量的

服务器防护_独立高防服务器租用_优惠券

2021-06-12 06:09栏目:智能汇

服务器防护_独立高防服务器租用_优惠券

1997年,IBM超级计算机"深蓝"击败了国际象棋大师加里·卡斯帕罗夫。这次失败让人工智能(AI)成为头条新闻。二十年来,自动驾驶的人工智能设备已经从日常驾驶变成了我们最喜欢的医疗设备。但如何才能最好地利用它来打击申请欺诈呢?就在1992年深蓝(Deep Blue)之前不久,FICO率先使用人工智能和机器学习来打击信用卡欺诈。自从引入FICO的实时反欺诈分析以来,美国信用卡的欺诈损失减少了70%以上。这也许是使用人工智能解决现实世界商业问题的最早的用例之一。菲科并没有就此止步。我们的研发部门拥有一支由70多名数据科学家组成的专门团队,在整个企业范围内打击跨产品和跨渠道的欺诈行为。由于9000多家金融机构不断向FICO Falcon consortium提供数据,我们有数PB的数据可供学习。现在,我们正在处理一种呈指数级增长的欺诈类型——应用程序欺诈——我们认识到机器学习分析必须是金融机构控制战略的关键部分。随着每个人都在谈论机器学习和人工智能,弄清楚这些术语的实际含义并理解我们如何能够以一种在高度监管的贷款环境中有意义的方式来操作这些分析创新,这一点很重要。人工智能与机器学习有何不同?人工智能使用计算机模拟人脑,执行需要智能和学习的任务。虽然机器学习和人工智能经常互换使用,但机器学习是人工智能的一个子集,它使用算法来表现智能行为。机器学习算法做的是人类做不到的事情:通过大量数据虹吸并产生分数,例如,将交易从最高到最低的欺诈可能性排序。分数增加了基于规则的检测的粗略方法的精确度。机器学习分析不是对欺诈如何运作的已知模式进行编码和警告,而是对预测欺诈的复杂、多变量属性敏感,无论是支付欺诈、应用程序欺诈、账户接管、大众卡泄露或更多。一般来说,机器学习分析分为两大类:有监督和无监督。监督模型是一个模型,它是在一组经过适当标记或标记(例如欺诈和非欺诈)的丰富示例上训练的模型。尽管通常更准确,但有监督的模型确实需要频繁的再培训,以跟上不断演变的欺诈手法。另一方面,无监督模型不需要以前的标签,phpcc防御,而是依靠异常值检测来发现异常行为,这表明存在欺诈行为。这从理解事务的原型或对等分组开始,以检测该事务的行为与预期的不同。例如,如果申请汽车贷款的申请人是次贷,车辆是经济型紧凑型车,并且规定的工资是3.5万美元,带ddos防御的国外服务器,那么这个申请很可能与为梅赛德斯G系列贷款的申请者处于完全不同的同级群体中。如果我们了解应该将每个申请人与谁进行比较,那么我们固有的假设是,预期行为的偏差越大,欺诈的可能性就越高。无监督模型在缺乏欺诈范例的情况下非常方便,例如,如果推出了一种新的产品或渠道。尽管这些模型不能提供针对所有欺诈攻击的完整保护,但它们确实为防范新的攻击提供了重要的防线,并且与监督模型一起提供了增强的预测能力。自学成绩无论使用的是有监督的还是无监督的技术,自学习模型为分数的稳健性提供了一个额外的弹性层和寿命。也称为自适应分析,自学习技术意味着模型可以通过使用欺诈分析师在工作案例中提供的实际结果和反馈,不断了解新的行为模式。这些分数微调属性权重,自动刷新算法,并相应地调整最终分数预测。机器学习与应用程序欺诈作斗争操作性很强的学习环境,特别是在有良好管理的环境中,尤其需要考虑良好的学习环境。许多机器学习算法被认为是"黑匣子"模型,不能给欺诈分析员、消费者或监管者提供决策逻辑的适当见解,例如,"为什么我被拒绝获得信贷?"这就是为什么可解释的人工智能如此重要:赋予必要的透明度以通过监管集合,数据库防御ddos,同时保持预测的准确性。FICO非常清楚法规对我们的业务和客户的影响。事实上,我们以利用数学创新来解决现实世界中的问题而自豪。在账户发起领域,我们的信用风险和欺诈评分旨在帮助贷款人遵守适用的公平贷款法律,如《公平信用报告法》、《条例B》和《平等信贷机会法》(ECOA)。请继续关注,因为我们的计划是在接下来的几篇文章中更深入地研究应用程序欺诈的机器学习。同时,请查看我们之前关于申请欺诈的帖子,包括:应用程序欺诈趋势-从身份盗窃到第一方欺诈建立欺诈风险偏好的最佳实践黑网是怎么工作的?我需要什么数据来防止应用程序欺诈?欺诈管理最佳实践:Bob Shiflet问答在FICO World 2018了解更多信息想进一步了解人工智能吗?4月16日至19日,宝塔能防御cc攻击,迈阿密海滩,安全狗2016无法防御cc攻击,加入我们。除了我们的首席分析官斯科特·佐尔迪博士和其他人就人工智能及其在欺诈中的应用所做的演讲外,我们很高兴有主讲人加里·卡斯帕罗夫(Garry Kasparov)与我们分享深蓝的真实情况。