Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
Questo articolo propone un framework di apprendimento di sottografi sovrapposti consapevole del rischio che bilancia la distribuzione del carico con la preservazione dei pattern di rischio critici a coda lunga attraverso il campionamento vincolato dal budget e l'allineamento della coerenza tra sottografi, migliorando significativamente il rilevamento del rischio di credito su scala di miliardi per Weixin Pay.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate Internet come una città gigantesca e frenetica dove tutti sono connessi. In questa città, ogni persona lascia dietro di sé una scia di impronte digitali: ciò che compra, con chi parla e dove va. La maggior parte delle volte, queste impronte raccontano una storia normale. Ma a volte, alcune persone cercano di intrufolarsi per rubare denaro o ingannare il sistema. Questo è chiamato "frode creditizia", ed è come un gioco di nascondino dove i cattivi sono molto bravi a nascondersi. Per catturarli, le banche e le app di pagamento un tempo esaminavano solo le impronte di una singola persona. Ma i malintenzionati sono furbi; spesso operano in gruppo o si nascondono nelle ombre della vita degli altri. Così, gli scienziati hanno iniziato a usare un tipo speciale di mappa chiamato "grafo". Pensate a un grafo non come a un grafico, ma come a una massiccia ragnatela di fili che collegano le persone agli eventi. Se tirate un filo, l'intera ragnatela oscilla, rivelando schemi nascosti. Questo è il potere delle "Graph Neural Networks" (GNN) — sono come detective super intelligenti che possono vedere come le connessioni di una persona possano rivelare se sta tramando qualcosa di illecito.
Tuttavia, c'è un enorme problema con queste mappe. Nel mondo reale, come su Weixin Pay, la mappa è così grande che contiene miliardi di persone e connessioni. È troppo pesante per essere contenuta da un singolo computer, come cercare di trasportare l'intero oceano in una tazzina da tè. Quindi, gli ingegneri hanno dovuto tagliare la mappa in pezzi più piccoli per condividere il lavoro tra molti computer. Ma ecco il problema: quando si taglia una mappa in pezzi, si finisce spesso per tagliare proprio i fili che collegano i cattivi agli indizi. È come cercare di risolvere un mistero guardando solo metà della scena del crimine; si potrebbe perdere l'indizio più importante. Questo articolo introduce un nuovo modo di tagliare la mappa che mantiene intatti i fili importanti senza rendere i pezzi troppo pesanti da trasportare.
I ricercatori, lavorando con Weixin Pay di Tencent, hanno sviluppato un sistema intelligente chiamato RAOS (Risk-Aware Overlapping Subgraph Learning). Immaginate di tagliare una pizza gigante per condividerla con un gruppo di amici. Il vecchio metodo consisteva nel tagliare la pizza perfettamente in modo che nessun amico ricevesse la stessa fetta dell'altro. Ma se un "condimento cattivo" (un frodatore) si trovava proprio sul bordo di una fetta, la persona che teneva quella fetta potrebbe mancarlo perché il condimento era tecnicamente sulla fetta del vicino. Il nuovo metodo, RAOS, è come tagliare la pizza con un po' di sovrapposizione. Date a ogni amico una fetta, ma permettete anche di tenere un piccolo pezzetto della fetta del loro vicino. In questo modo, se un condimento cattivo è sul bordo, tutti quelli che sono vicini ad esso hanno la possibilità di vederlo.
Ma c'è un rischio: se date a tutti troppa parte della fetta del vicino, finirete per avere un sacco di formaggio e crosta extra che non servono a nulla (questo è chiamato "rumore" e "ridondanza"). Il team ha risolto questo problema essendo molto selettivo su quali pezzi extra aggiungere. Si sono concentrati sulle connessioni "long-tail" — queste sono le connessioni silenziose, meno popolari, che spesso contengono gli indizi segreti per frodi nascoste. Hanno usato un filtro speciale (basato su qualcosa chiamato "h-index") per trovare questi pezzi importanti ma trascurati e li hanno aggiunti alle fette, ignorando invece le parti rumorose e poco importanti.
Inoltre, poiché la stessa persona potrebbe apparire in due fette diverse, il computer potrebbe confondersi e pensare che siano due persone diverse con storie diverse. Per risolvere il problema, il team ha aggiunto un passaggio di "allineamento di coerenza". È come avere una riunione di squadra in cui tutti gli amici confrontano i propri appunti sulla persona che appare in entrambe le fette per assicurarsi che tutti concordino su chi sia realmente quella persona. Questo garantisce che l'immagine finale sia chiara e accurata.
Quando hanno testato questo nuovo sistema su dati reali di Weixin Pay, che coinvolgono centinaia di milioni di utenti, i risultati sono stati impressionanti. Il nuovo metodo è stato molto più bravo a individuare i frodatori rispetto ai vecchi modi di tagliare la mappa. Non ha solo catturato i cattivi ovvi; è stato anche molto più bravo a prevedere chi potrebbe diventare un frodatore in futuro (una previsione di "rischio forward"). Infatti, ha migliorato la capacità di individuare utenti rischiosi di oltre il 10% rispetto al metodo standard che si limita a tagliare la mappa senza sovrapposizioni. Ancora più sorprendente, il loro nuovo metodo era effettivamente migliore nel trovare le frodi rispetto al tentativo di guardare l'intera mappa in una volta sola, perché il vecchio approccio "mappa intera" veniva confuso da troppo rumore.
Nel mondo reale, questo significa meno persone che perdono denaro a causa di truffe e un sistema finanziario più sicuro per tutti. Il team ha messo in pratica questo sistema in un test dal vivo con utenti reali, e ha identificato con successo più utenti rischiosi e ha prevenuto più perdite finanziarie rispetto ai sistemi precedenti. Sovrapponendo attentamente i pezzi del puzzle e assicurandosi che tutti concordino sull'immagine, sono riusciti a risolvere un problema che era precedentemente troppo grande e troppo complesso per essere gestito da soli dai computer.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.