🏛️ Classificatore di Frodi del Settore Pubblico — Precisione, Richiamo e la Matrice di Confusione

Il rilevamento di frodi con carta assegna un punteggio a una transazione in millisecondi e può bloccarla o approvarla automaticamente all'istante, con un rimedio rapido e a basso rischio se sbaglia (un rifiuto della carta, un messaggio di follow-up). Il controllo delle frodi sui sussidi governativi alimenta invece una pipeline di revisione umana più lenta, è soggetto a diritti di giusto processo e ricorso, e un falso positivo può significare che il reddito di un richiedente vulnerabile viene sospeso o ritardato per settimane mentre un caso viene indagato — un costo dell'errore molto più alto sulle persone coinvolte. La frode sui sussidi è anche tipicamente più rara come quota delle richieste, le caratteristiche disponibili sono di solito amministrative anziché biometrico-comportamentali, e le conseguenze legali e reputazionali di una segnalazione errata sono molto più gravi per il settore pubblico che per una banca.

Caratteristiche come l'importo della richiesta e le anomalie del pattern di deposito possono correlarsi, indirettamente, con caratteristiche protette come la composizione del nucleo familiare, la disabilità, l'etnia, o la deprivazione legata al codice postale — anche quando quelle caratteristiche non vengono mai usate direttamente. Se i falsi positivi ricadono sproporzionatamente su gruppi già svantaggiati, uno strumento di screening automatizzato può aggravare sistematicamente il danno verso persone meno in grado di assorbire un'indagine ingiusta o un pagamento sospeso. Casi reali come lo scandalo dei sussidi per l'infanzia nei Paesi Bassi e lo schema Robodebt in Australia hanno mostrato come sistemi automatizzati di rilevamento frodi e debiti, distribuiti senza un adeguato audit sui sottogruppi, spiegabilità, o un genuino diritto di ricorso, abbiano causato danni ingiusti su larga scala. Ecco perché gli audit di precisione/richiamo a livello di sottogruppo, la revisione umana dei casi segnalati e chiari diritti di ricorso sono trattati come requisiti di primaria importanza in questo dominio, non extra opzionali.

La regressione logistica combina le due caratteristiche di input con pesi appresi w₁, w₂ e un bias b in un unico punteggio z = w₁x₁ + w₂x₂ + b, poi schiaccia quel punteggio in una probabilità con la funzione sigmoide p = 1/(1+e⁻ᶻ). L'addestramento significa scegliere w₁, w₂, b per minimizzare la perdita di cross-entropia — la media di −[y·log(p) + (1−y)·log(1−p)] su ogni richiesta, dove y è la vera etichetta di frode. Poiché questa perdita è convessa nei pesi per la regressione logistica, la discesa del gradiente — calcolando ripetutamente il gradiente della perdita rispetto a ciascun peso e facendo un piccolo passo contro di esso — converge in modo affidabile allo stesso ottimo globale ogni volta che riaddestri, cosa che questa simulazione esegue realmente, epoca dopo epoca, osservando la perdita scendere.

Il modello produce una probabilità di frode continua per ogni richiesta; il cursore di soglia decide il limite oltre il quale una richiesta conta come "segnalata". Abbassare la soglia segnala più richieste in totale, il che necessariamente cattura più dei veri casi di frode (richiamo più alto) ma coinvolge anche più richieste legittime che avevano semplicemente un punteggio moderatamente alto (precisione più bassa). Alzare la soglia fa l'opposto: segnalazioni meno numerose ma più sicure, quindi la precisione sale ma il richiamo scende man mano che i casi di frode marginali sfuggono sotto la barra. Poiché la distribuzione dei punteggi sottostante si sovrappone tra le classi, nessuna singola soglia massimizza entrambi simultaneamente — il cursore ti permette di tracciare dal vivo l'intera curva di compromesso, cella per cella, nella matrice di confusione.