🛡️ Детектор Шахрайства та Фінансових Ризиків — Наживо

Моделі витрат, тактики шахрайства, сезонність (наприклад, святкові покупки) і навіть валютні/інфляційні ефекти з часом змінюють базовий розподіл «нормальних» транзакцій — явище, зване дрейфом концепції. Поріг, налаштований під торішні дані, може розкалібруватися: або частка хибних спрацювань поступово зростає, оскільки легітимна поведінка «зсувається» назовні, або шахраї навчаються триматися саме в межах порогу. Промислові системи перераховують μ і Σ (або перенавчають складніші моделі) на плинних вікнах останніх даних, стежать за точністю та повнотою в реальному часі й часто використовують адаптивні або посегментні пороги — наприклад, різні межі для різних країн чи категорій продавців — замість одного статичного глобального порогу.

Точність (precision) = TP/(TP+FP) — яка частка з усіх позначених транзакцій дійсно є шахрайством. Повнота (recall) = TP/(TP+FN) — яку частку всього реального шахрайства система впіймала. F1 — це їхнє гармонічне середнє, що балансує обидва показники. Загальна точність (accuracy) тут оманлива, бо шахрайство трапляється рідко — це сильно незбалансована задача: детектор, який взагалі нічого не позначає, усе одно може мати «точність 99%», не впіймавши жодного шахрайства. Точність і повнота розділяють два режими відмов, які насправді важливі на практиці: дратувати клієнтів хибними тривогами проти пропуску шахрайства непоміченим.

Вектор середніх значень і коваріаційна матриця 2×2 перераховуються наживо за кожною точкою, що наразі є в наборі даних. Коваріаційна матриця аналітично обертається, а відстань Махаланобіса обчислюється в кожній комірці сітки, що охоплює видиму площину, утворюючи неперервне скалярне поле. Це поле відображається через кольорову шкалу — від зеленого через жовтий до червоного зі збільшенням відстані — і записується у canvas/DataTexture, який Three.js рендерить як текстуровану площину позаду розсіяних точок; це та сама техніка, що використовується для теплових карт меж рішення в інших місцях сайту, лише з полем відстані Махаланобіса замість прямого проходу мережі.

Хибнонегативний результат (пропущене шахрайство) безпосередньо коштує грошей, втрачених через шахрайську транзакцію, плюс потенційні регуляторні та репутаційні збитки. Хибнопозитивний результат (блокування чи позначення легітимної транзакції) коштує довіри клієнтів і додаткового навантаження на підтримку та може змусити справжніх клієнтів відмовитися від покупки чи навіть від банку — але не втрачає основну суму. Оскільки ці витрати вимірюються в різних «валютах» — прямі фінансові втрати проти незручностей для клієнтського досвіду — і залежать від розміру транзакції та сегмента клієнта, реальні системи часто зважують рішення про поріг за очікуваними грошовими втратами, а не вважають кожну помилку однаково поганою.

Форма контурів однакової оцінки аномальності повністю визначається оціненою коваріаційною матрицею Σ. Якби дві ознаки були некорельованими та мали однакову дисперсію, контури були б колами. Оскільки сума транзакції та час з моменту останньої транзакції позитивно корельовані в нормальному кластері цієї симуляції, Σ має ненульові позадіагональні елементи, що нахиляє й розтягує контури в еліпси, вирівняні за напрямком кореляції — саме та форма, яку ви побачили б, візуально оцінюючи діаграму розсіювання нормальних точок; у цьому й суть: відстань Махаланобіса — це принципова, автоматична версія питання «чи виходить ця точка за межі природного розсіювання хмари».