Prediction of bank transaction fraud using TabNet an adaptive deep learning architecture
यह अध्ययन प्रदर्शित करता है कि क्लास बैलेंसिंग के लिए SMOTE से उन्नत एक एडेप्टिव डीप लर्निंग आर्किटेक्चर, TabNet, एक भारतीय डेटासेट पर बैंक ट्रांजैक्शन धोखाधड़ी का पता लगाने में अन्य डीप लर्निंग मॉडलों की तुलना में काफी बेहतर प्रदर्शन करता है, जो 97.39% सटीकता और 0.9739 का ROC-AUC प्राप्त करता है और नियामक अनुपालन एवं परिचालन जोखिम प्रबंधन के लिए आवश्यक व्याख्यात्मकता प्रदान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल दुनिया की कल्पना एक हलचल भरे, नियॉन-रोशनी वाले शहर के रूप में करें जहाँ पैसा तिजोरियों में नहीं बैठता बल्कि डेटा के अदृश्य पैकेटों के रूप में इधर-उधर दौड़ता है। इस शहर में, जब भी आप कॉफी खरीदते हैं या कोई उपहार भेजते हैं, एक छोटा डिजिटल रसीद स्टैम्प किया जाता है और एक विशाल, अदृश्य बहीखाते (ledger) को भेजा जाता है। यह फिनटेक (FinTech) का क्षेत्र है, जहाँ तकनीक और वित्त का मिलन होता है। लेकिन किसी भी बड़े शहर की तरह, इस डिजिटल महानगर में भी जेबकतरों और चोरों का हिस्सा है। ये अपराधी केवल वॉलेट नहीं चुराते; वे आपकी पहचान चुराते हैं और आपके रूप में व्यवहार करके बैंक खातों को खाली कर देते हैं। उन्हें पकड़ने के लिए, बैंक पहले "नियमपुस्तिकाओं" पर भरोसा करते थे—जैसे कि सरल सूचियाँ जैसे "यदि कोई एक मिनट में $10,000 खर्च करता है, तो उसे रोक दें!" लेकिन चोर चालाक होते हैं; वे नियमों को सीख लेते हैं और उनके पास से चुपके से निकलने के तरीके ढूंढ लेते हैं।
यहाँ प्रवेश होता है मशीन लर्निंग (Machine Learning) का, जो वह डिजिटल जासूस है जो केवल नियमपुस्तिकाओं को नहीं पढ़ता बल्कि पैटर्न पहचानने के लिए सीखता है। एक ऐसे जासूस की कल्पना करें जो लाखों लोगों को गुजरते हुए देखता है, और सीखता है कि एक "सामान्य" चाल कैसी दिखती है। यदि कोई अचानक एक पैर पर कूदना शुरू कर देता है जबकि उसने जोकर की पोशाक पहनी हो, तो जासूस को पता चल जाता है कि कुछ गड़बड़ है। हालाँकि, इसमें एक पेंच है: अधिकांश लोग सामान्य रूप से चलते हैं, और केवल कुछ ही कूदते-फांदते हैं। यह जासूस के लिए सीखना कठिन बना देता है, क्योंकि वे इतने कम "जोकरों" को देखते हैं कि वे शायद भूल सकते हैं कि एक असली जोकर कैसा दिखता है, या इससे भी बुरा, वे यह सोचने लग सकते हैं कि हर कोई एक जोकर है। यही इम्बैलेंस्ड डेटा (Imbalanced Data) की चुनौती है। इसके अलावा, बैंकों को यह जानने की आवश्यकता होती है कि जासूस ने किसी को क्यों रोका। यदि जासूस एक "ब्लैक बॉक्स" है जो कोई कारण नहीं बताता, तो बैंक ग्राहक या नियामकों को इसका स्पष्टीकरण नहीं दे सकता। यहीं एक्सप्लेनेबल एआई (Explainable AI - XAI) काम आता है—यह वह जासूस है जो उन विशिष्ट सुरागों (जैसे "वे रात 3 बजे जोकर की पोशाक पहने हुए थे") की ओर इशारा कर सकता है जो गिरफ्तारी का कारण बने।
यह शोध पत्र उन शोधकर्ताओं की एक कहानी है जिन्होंने बैंक धोखाधड़ी को पकड़ने के लिए टैबनेट (TabNet) नामक एक नए प्रकार के डिजिटल जासूस का परीक्षण करने का निर्णय लिया। उन्होंने भारत के वास्तविक बैंक लेनदेन का एक विशाल डेटासेट लिया—124,000 से अधिक रिकॉर्ड—और टैबनेट को पांच अन्य प्रसिद्ध जासूसी शैलियों के खिलाफ खड़ा किया: मानक डीप न्यूरल नेटवर्क (DNN), मेमोरी-हैवी LSTM, तेज़ GRU, पैटर्न-स्पॉटर CNN1D, और कुछ अन्य। शोधकर्ता यह देखना चाहते थे कि कौन सा जासूस सामान्य लेनदेन की भारी मात्रा से भ्रमित हुए बिना धोखाधड़ी को सबसे सटीक रूप से पकड़ सकता है, और कौन सा अपने तर्क को स्पष्ट रूप से समझा सकता है।
परिणाम पुराने जमाने के जासूसों के लिए एक झटके की तरह थे। मानक डीप न्यूरल नेटवर्क (DNN), LSTM, GRU, और CNN1D सभी बुरी तरह संघर्ष कर रहे थे। वास्तव में, वे ज्यादातर विफल रहे। DNN और CNN1D ने लगभग हार मान ली, और भविष्यवाणी की कि प्रत्येक एकल लेनदेन धोखाधड़ी है, जो कि एक सुरक्षा गार्ड द्वारा मॉल में हर किसी को गिरफ्तार करने जैसा है क्योंकि वह एक चोर से डर गया है। उनकी सटीकता (accuracy) एक बेकार 50% पर अटकी हुई थी, जो एक सिक्के के उछाल (coin flip) से बेहतर नहीं थी। LSTM और GRU, जो कहानी की तरह अनुक्रमों (sequences) को याद रखने में माहिर हैं, वे भी लड़खड़ा गए क्योंकि इस डेटासेट में बैंक लेनदेन एक सख्त कहानी जैसे क्रम का पालन नहीं करते थे; वे केवल घटनाओं की एक सूची थे। ये मॉडल भ्रमित हो गए, जिससे बहुत अधिक गलत अलार्म मिले और असली चोर छूट गए।
लेकिन फिर, टैबनेट आगे आया, और यह एक बिल्कुल अलग कहानी थी। टैबनेट एक विशेष प्रकार का जासूस है जिसे विशेष रूप से "टेबुलर डेटा" (tabular data) के लिए डिज़ाइन किया गया है—यह केवल संख्याओं और श्रेणियों वाली पंक्तियों और कॉलमों वाले स्प्रेडशीट के लिए एक फैंसी शब्द है। सब कुछ याद करने के बजाय, टैबनेट एक "स्पार्स अटेंशन" (sparse attention) तंत्र का उपयोग करता है। इसे एक ऐसे जासूस के रूप में सोचें जो जादुई चश्मे पहनता है। किसी लेनदेन को देखते समय, चश्मा अप्रासंगिक विवरणों (जैसे आकाश का रंग) पर रोशनी को धीमा कर देता है और केवल उन सुरागों पर तेज रोशनी डालता है जो मायने रखते हैं (जैसे दिन का समय या उपयोग किया गया डिवाइस)। यह टैबनेट को शोर को अनदेखा करने और मुख्य संकेत (signal) पर ध्यान केंद्रित करने की अनुमति देता है।
परिणाम प्रभावशाली था। टैबनेट ने 97.39% की सटीकता हासिल की, और ROC-AUC का स्कोर 0.9739 रहा। इसे समझने के लिए, जबकि अन्य मॉडल सिक्के के उछाल की तरह अनुमान लगा रहे थे, टैबनेट ने लगभग पूर्ण सटीकता के साथ धोखेबाजों को पहचाना। इसने ईमानदारी से किए गए लेनदेन पर बहुत कम गलतियाँ करते हुए लगभग सभी वास्तविक धोखाधड़ी के मामलों की सही पहचान की। शायद सबसे महत्वपूर्ण बात यह है कि टैबनेट ने केवल "दोषी" का फैसला नहीं दिया; इसने अपना काम दिखाया। यह बैंक को ठीक-ठीक बता सकता था कि कौन सी विशेषताएं (जैसे "लेनदेन की राशि" या "दिन का समय") सबसे संदिग्ध थीं, जिससे यह नियामकों के लिए एक पारदर्शी और भरोसेमंद उपकरण बन गया।
शोधकर्ताओं ने डेटा की गहराई में जाकर यह भी समझा कि धोखाधड़ी करने वाले कैसे काम कर रहे थे, और उन्हें कुछ दिलचस्प मोड़ मिले। इस विचार के विपरीत कि चोर केवल आधी रात को हमला करते हैं, डेटा ने दिखाया कि धोखाधड़ी अक्सर व्यस्त व्यावसायिक घंटों के दौरान होती है, विशेष रूप से सुबह 8 बजे से शाम 5 बजे के बीच, जिसका शिखर सुबह 10-11 बजे के आसपास होता है। चोर आम लोगों के बीच छिपकर वार कर रहे थे, सामान्य खरीदारों की भीड़ में खुद को मिला रहे थे। उन्होंने यह भी देखा कि धोखेबाज अक्सर बहुत अधिक बैलेंस वाले खातों से छोटी रकम निकालते हैं, ताकि वे एक बार में बहुत अधिक न निकालकर चतुराई से बच सकें।
अंत में, शोध पत्र सुझाव देता है कि स्प्रेडशीट की दुनिया में बैंक धोखाधड़ी को पकड़ने के लिए, पुराने, भारी, "ब्लैक बॉक्स" जासूस सबसे अच्छे फिट नहीं हैं। इसके बजाय, टैबनेट जैसा एक विशेष, पारदर्शी और अनुकूलन योग्य मॉडल ही सही रास्ता है। यह केवल बुरे लोगों को पकड़ने के बारे में नहीं है; यह इसे इस तरह से करने के बारे में है जो तेज़, सटीक और समझाने में आसान हो। अध्ययन पुष्टि करता है कि हालांकि डिजिटल शहर चतुर चोरों से भरा है, अब हमारे पास एक ऐसा जासूस है जिसके पास उन्हें स्पष्ट रूप से देखने के लिए सही चश्मा है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।