مقاله «Fraud Detection: How It Works & Why It’s Needed» که 18 اوت 2021 در وب‌سایت Outseer منتشر شده به تعریف تشخیص تقلب، دلایل اهمیت آن و مزیت‌ها و شیوه‌های تشخیص تقلب می‌پردازد. این مقاله همچنین سازوکار تشخیص تقلب را تشریح می‌کند و سناریوهای مختلف تقلب را توضیح می‌دهد.
این مقاله تشخیص تقلب را این‌طور تعریف می‌کند: «تشخیص تقلب فرایند شناسایی فعالیت‌های تاییدنشده‌ای است که در آنها پول یا مال از طریق ظاهرسازی‌هایی مثل فیشینگ، کارت‌های اعتباری دزدی و سرقت هویت به دست می‌آید.»
در فرایند تشخیص تقلب برای شناسایی این تراکنش‌های نادرست نیز از یادگیری ماشین و آنالتیکس داده استفاده می‌کنیم. نویسنده مقاله در ادامه به سازوکار تشخیص تقلب می‌پردازد و توضیح می‌دهد که برای اینکه سیستم تشخیص تقلب، کارش را درست انجام دهد، ابتدا باید موارد شناخته‌شده تقلب را مطالعه کند. بعد به دو مدل متداول یادگیری تشخیص تقلب برای ماشین اشاره می‌کند: «طبقه‌بندی نظارت‌شده» و «طبقه‌بندی بدون نظارت»
یادگیری نظارت‌شده به الگوریتم، آموزش می‌دهد که تقلب را با توجه به داده‌های تاریخی شناسایی کند. در این نوع آموزش از مجموعه داده‌های موجود با متغیرهای نشانه‌گذاری‌‌شده استفاده می‌شود. پژوهشگران می‌توانند با استفاده از این داده‌های تاریخی ببینند الگوریتم در تشخیص تقلب چطور عمل می‌کند.
یادگیری بدون نظارت، داده‌های بدون برچسب را با توجه به رابطه‌ای که هر نقطه داده‌ای با نقطه داده دیگری دارد، به خوشه‌های مختلف تقسیم می‌کند. در این مدل، اغلب می‌توان روابط مخفی را کشف کرد که به شناسایی پیش‌درآمدهای فعالیت‌های متقلبانه منجر می‌شود. این مقاله در پایان سناریوهای تقلب شامل تقلب در پرداخت، تصاحب حساب، فیشینگ و سوءاستفاده از برند را تشریح می‌کند و به روش‌های مختلف پیشگیری و جلوگیری از آنها می‌پردازد.
منبع: