Improving Fraud Detection Accuracy Through Data Preprocessing and Decision Tree Machine Learning

Nel ronzio silenzioso del sistema finanziario globale, una battaglia costante e invisibile si combatte su ogni transazione digitale. Quando una persona passa una carta o tocca un telefono per pagare, una complessa rete di sistemi automatizzati decide istantaneamente se quell'acquisto è sicuro o sospetto. Questi sistemi sono progettati per intercettare i truffatori che rubano denaro, ma affrontano una difficile realtà matematica: la stragrande maggioranza delle transazioni è onesta, mentre le poche che sono fraudolente sono come aghi in un pagliaio. Poiché le transazioni oneste superano numericamente quelle cattive in modo così schiacciante, un programma per computer può essere ingannato facendogli credere di svolgere un lavoro perfetto semplicemente ignorando gli aghi e non segnalando nulla affatto. Ciò crea la necessità di un approccio diverso, uno che insegni al computer a esaminare attentamente i dati stessi prima di tentare di prendere una decisione. L'obiettivo non è solo costruire una macchina più intelligente, ma pulire e organizzare le informazioni in modo che anche uno strumento semplice e trasparente possa vedere i modelli di furto che altrimenti rimarrebbero nascosti.

Questa è la domanda centrale esplorata da Darshan Aher, un ricercatore della Sanjivani University in India, il quale ha indagato se la preparazione accurata dei dati potesse rendere un modello informatico di base efficace quanto i sistemi complessi e pesanti che le banche utilizzano spesso. Inveve di costruire un'intelligenza artificiale massiccia e complicata, difficile da comprendere, Afer si è concentrato su un tipo di modello singolo e diretto noto come albero di decisione. Immaginate un diagramma di flusso in cui una serie di semplici domande sì-o-no conduce a una risposta finale; è così che funziona un albero di decisione, rendendo facile per gli esseri umani vedere esattamente perché una transazione sia stata segnalata. Lo studio ha utilizzato un dataset del mondo reale contenente quasi 285.000 transazioni con carta di credito di titolari europei, una collezione in cui meno dello zero virgola zero due percento erano effettivamente fraudolente. La sfida era insegnare al semplice albero di decisione come trovare quelle rare transazioni cattive senza confondersi con l'enorme numero di transazioni buone.

Per risolvere questo problema, il ricercatore non ha iniziato cambiando il cervello del computer, ma pulendo la stanza in cui stava lavorando. Il processo è iniziato rimuovendo i record duplicati e organizzando i numeri in modo che fossero su una scala coerente. I dati sono stati poi divisi in due gruppi: un gruppo grande affinché il computer potesse imparare e un gruppo più piccolo per testare le sue abilità in seguito. Fondamentalmente, il gruppo di test è stato lasciato esattamente come era stato trovato nel mondo reale, con il suo naturale e pesante squilibrio tra transazioni buone e rare transazioni cattive. Per aiutare il computer a imparare cosa sia la frode, il ricercatore ha aggiunto esempi extra di transazioni fraudolente solo al gruppo di apprendimento. Questa tecnica, che crea nuovi esempi sintetici basati su quelli esistenti, ha permesso al modello di studiare i modelli di furto senza distorcere il test finale. Il ricercatore ha inoltre selezionato solo i pezzi di informazione più utili, scartando il rumore che non aiutava a distinguere un ladro da un cliente onesto.

Quando l'albero di decisione addestrato è stato finalmente testato contro il gruppo di transazioni intoccato e realistico, ha operato con una sorprendente efficacia. Il modello ha identificato correttamente 110 delle 142 transazioni fraudolente, intercettando circa il 77 percento dei furti. Questo è un miglioramento significativo rispetto a un sistema che semplicemente ignora la frode, il quale intercetterebbe lo zero percento. Tuttavia, lo studio ha anche rivelato il costo di questa vigilanza. Poiché il modello è stato tarato per essere abbastanza sensibile da trovare le rare transazioni cattive, ha anche segnalato alcune transazioni oneste come sospette. Su ogni nove transazioni che il modello ha segnalato come potenzialmente fraudolente, solo una era effettivamente cattiva. Ciò significa che, sebbene il sistema sia riuscito a trovare la maggior parte dei ladri, ha anche creato un numero di falsi allarmi che richiederebbero una revisione umana. I ricercatori hanno osservato che questo compromesso è previsto e gestibile; in un contesto reale, questo modello servirebbe probabilmente come primo filtro, intercettando la maggior parte delle frodi in modo che gli analisti umani possano concentrare la loro attenzione sui casi specifici segnalati dal computer.

I risultati suggeriscono che la complessità del modello di machine learning non è l'unico, o forse nemmeno il più importante, fattore nella rilevazione delle frodi. Preparando attentamente i dati e utilizzando una tecnica per bilanciare il processo di apprendimento, un semplice, veloce e completamente comprensibile albero di decisione può raggiungere alti tassi di rilevamento. Lo studio dimostra che un singolo albero di decisione, quando alimentato con informazioni pulite e bilanciate, può recuperare la maggior parte dei casi di frode a un basso costo computazionale. Sebbene il modello non sia perfetto e richieda una calibrazione per bilanciare il numero di falsi allarmi rispetto ai crimini mancati, esso prova che la trasparenza e l'efficienza non devono essere sacrificate in nome dell'accuratezza. Il lavoro punta verso un futuro in cui i sistemi di sicurezza finanziaria rimangano leggeri e spiegabili, permettendo alle banche di capire esattamente perché una transazione sia stata bloccata, invece di fare affidamento su algoritmi opachi, "black-box", difficili da ispezionare o di cui fidarsi.