مقاله «Machine Learning Models vs. Rule Based Systems in fraud prevention» که 14 مارس 2020 در وب‌سایت Nethone منتشر شده به مقایسه مدل‌های یادگیری ماشین و سیستم‌های مبتنی‌بر قاعده در پیشگیری از تقلب می‌پردازد، تفاوت‌های این دو رویکرد را بررسی می‌کند و نشان می‌دهد که هر کدام از این رویکردها برای چه موارد استفاده‌ای مناسب‌ترند.
این مقاله ابتدا سیستم‌های مبتنی‌بر قاعده را بررسی می‌کند. توضیح می‌دهد که این سیستم‌ها متکی به قواعدی هستند که به‌نحوی تنظیم شده‌اند تا وقتی تراکنش‌ها با معیارهای مشخصی همخوانی دارند، آنها را برچسب‌دار کنند. این قواعد با پیروی از شیوه‌های برتر صنعت و تحلیل تراکنش‌های متقلبانه آشکارشده یا پیش‌گیری‌شده تدوین می‌شوند.
نویسنده مقاله سپس به سراغ مزیت‌ها و عیب‌های این سیستم‌ها می‌رود. در بخش مزیت‌ها به توضیح‌پذیری هشدارهای تراکنش متقلبانه، عملیاتی‌بودن از روز اول و ملزومات کمتر برای شروع اشاره می‌کند. در بخش عیب‌ها هم از نیاز مداوم به مهندسی معکوس حمله‌های متقلبان، افزایش تدریجی قواعد و شناسایی موارد تقلب با پیچیدگی محدود نام می‌برد.
در ادامه به مدل‌های یادگیری ماشین می‌پردازد. این مدل‌ها نقاط ضعف سیستم‌های مبتنی‌بر قاعده را پوشش می‌دهند چراکه در محیط‌هایی که داده‌ها حجم و ابعاد زیادی دارند، می‌توانند بسیار موفق باشند. از مزیت‌های این مدل‌ها می‌توان به شناسایی خودکار الگوهای تقلب، بی‌نیازی از مهندسی معکوس شیوه‌های متقلبان، کار غیرخودکار کمتر و افزایش بهره‌وری اقتصادی این مدل‌ها با افزایش حجم داده‌ها اشاره کرد. مسئله شروع سرد و توضیح‌ناپذیری، از نقاط ضعف این مدل‌هاست.
نویسنده در پایان توضیح می‌دهد که بهترین آرایش، استفاده همزمان از هر دو رویکرد است. هر شیوه‌ای مزیت‌ها و عیب‌های خودش را دارد، اما به‌نظر می‌رسد آینده به مدل‌های یادگیری ماشین تعلق داشته باشد. سیستم‌های مبتنی‌بر قاعده نیز نقش مکمل را برای آنها ایفا خواهند کرد.
منبع: