Análisis basados en gráficos y aprendizaje automático con TigerGraph

Capítulo 12. Mejorar la detección del fraude

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

En un capítulo anterior, abordamos el problema de la detección del fraude diseñando consultas gráficas que buscaban ciertos patrones de comportamiento que pudieran ser sospechosos. En este capítulo aplicaremos métodos de aprendizaje automático para mejorar la detección del fraude. El aprendizaje automático puede ayudarnos mediante la detección de anomalías o entrenando al software para que reconozca el fraude basándose en ejemplos de casos de fraude conocidos. En ambos casos, los datos estructurados en grafos son un activo valioso para detectar lo inusual (anomalías) o para suministrar características de los datos (para construir modelos predictivos). Ningún método es perfecto, pero el aprendizaje automático a menudo puede detectar patrones y anomalías que los humanos pasarían por alto. Los enfoques convencionales sólo siguen las reglas que dictan los expertos. Utilizando el aprendizaje automático sobre gráficos, podemos detectar patrones dentro de los datos que no se marcaron explícitamente como casos de fraude, lo que lo hace más adaptable a las tácticas de fraude cambiantes.

Después de completar este capítulo, deberías ser capaz de:

• Implementación y uso de TigerGraph Machine Learning Workbench

• Utilizar características basadas en gráficos para enriquecer el vector de características de un conjunto de datos y luego ...