🏛️ Класифікатор Шахрайства в Держсекторі — Точність, Повнота і Матриця Помилок

Виявлення шахрайства з картками оцінює транзакцію за мілісекунди й може миттєво автоматично заблокувати чи схвалити її, з швидким і малоризиковим виправленням у разі помилки (відмова картки, наступне повідомлення). Натомість перевірка шахрайства з державними пільгами живить повільніший конвеєр перевірки людьми, підпадає під належну процедуру і права на оскарження, а хибнопозитивний результат може означати, що дохід уразливого заявника призупинено чи затримано на тижні, поки справу розслідують — набагато вища ціна помилки для постраждалих людей. Шахрайство з пільгами також зазвичай рідкісніше як частка заявок, доступні ознаки зазвичай адміністративні, а не поведінково-біометричні, а юридичні й репутаційні наслідки помилкового позначення значно серйозніші для державного сектору, ніж для банку.

Такі ознаки, як сума заявки та аномалії шаблону подання, можуть опосередковано корелювати із захищеними характеристиками, як-от склад домогосподарства, інвалідність, етнічна приналежність чи депривація, пов'язана з поштовим індексом — навіть якщо ці характеристики ніколи не використовуються напряму. Якщо хибнопозитивні результати непропорційно припадають на й так неблагополучні групи, автоматизований інструмент перевірки може системно посилювати шкоду для людей, найменш здатних витримати помилкове розслідування чи призупинену виплату. Реальні випадки, такі як скандал із виплатами на догляд за дітьми в Нідерландах і схема Robodebt в Австралії, показали, як автоматизовані системи виявлення шахрайства та боргів, впроваджені без належного аудиту за підгрупами, пояснюваності чи справжнього права на оскарження, спричинили масштабну помилкову шкоду. Саме тому аудити точності/повноти на рівні підгруп, перевірка позначених випадків людиною та чіткі права на оскарження вважаються першочерговими вимогами в цій сфері, а не необов'язковими доповненнями.

Логістична регресія поєднує дві вхідні ознаки з навченими вагами w₁, w₂ і зміщенням b в єдину оцінку z = w₁x₁ + w₂x₂ + b, а потім стискає цю оцінку в ймовірність за допомогою сигмоїдної функції p = 1/(1+e⁻ᶻ). Навчання означає підбір w₁, w₂, b для мінімізації функції втрат крос-ентропії — середнього значення −[y·log(p) + (1−y)·log(1−p)] за всіма заявками, де y — справжня мітка шахрайства. Оскільки ця втрата опукла відносно ваг у логістичній регресії, градієнтний спуск — багаторазове обчислення градієнта втрати відносно кожної ваги й невеликий крок проти нього — надійно сходиться до того самого глобального оптимуму щоразу, коли ви перенавчаєте модель, а ця симуляція виконує це насправді, епоха за епохою, показуючи, як зменшується втрата.

Модель видає безперервну ймовірність шахрайства для кожної заявки; повзунок порогу визначає межу, вище якої заявка вважається «позначеною». Зниження порогу позначає більше заявок загалом, що неминуче охоплює більше справжніх шахрайських випадків (вища повнота), але також захоплює більше законних заявок, які просто отримали помірно високу оцінку (нижча точність). Підвищення порогу робить навпаки: менше, але впевненіших позначень, тож точність зростає, а повнота падає, оскільки граничні шахрайські випадки прослизають нижче межі. Оскільки розподіли оцінок класів перекриваються, жоден окремий поріг не максимізує обидва показники одночасно — повзунок дозволяє простежити всю цю криву компромісу наживо, клітинка за клітинкою, у матриці помилок.