Machinaal leren voor de detectie van fraude

De Association of Certified Fraud Examiners (ACFE) schat dat een typische organisatie elk jaar 5% van zijn inkomsten verliest aan fraude. Het vijfde toezichtrapport over de ontwikkelingen van de analyse van kaart fraude in de Single Euro Payments Area (SEPA) over fraude gerelateerd met card payment schemes (CPSs), uitgebracht in september 2018 door de Europese Centrale Bank waarbij men kaarten gebruikt uitgegeven in de SEPA en dat bijna heel de markt bedekt, geeft aan dat de totale waarde van uitgevoerde frauduleuze transacties een bedrag van 1.8 miljard euro's bedraagt in 2016. Vervolgens stijgen de verliezen door frauduleuze activiteiten elk jaar. Hierdoor wordt het duidelijk voor CFOs dat controle en fraudedetectie één van hun kernactiviteiten moeten worden zodat men kan omgaan met deze evoluerende dreiging. Merk op dat dit probleem het vertrouwen van de klant en de geloofwaardigheid van het bedrijf beïnvloedt, en dus niet alleen over geld gaat. In dit doctoraat zullen we het gebruik van geavanceerde machinaal leren modellen onderzoeken om fraude te kunnen detecteren. De taak om verdachte transacties op te sporen is een binair classificatie probleem vanuit het perspectief van machinaal leren en dus kunnen verschillende data gedreven strategieën kunnen worden toegepast en vergeleken. Interpreteerbaarheid is zeer belangrijk zodat het management vertrouwen heeft in het model en om verschillende strategieën voor fraudedetectie te ontwerpen. Daarom zullen we verschillende data engineering stappen bestuderen en implementeren om de prestatie van ons fraude detectie model te verbeteren. Data engineering kan gedefinieerd worden als het slim omgaan met data waarbij men de bias van de voorspellende analysetechniek exploiteert beide in termen van nauwkeurigheid en interpreteerbaarheid. Onze focus zal vooral liggen op betalingsfraude, wat betrekking heeft op het creëren van valse betalingen of de omleiding van betalingen. Voorbeelden zijn chequefraude, kredietkaartfraude, phishing, identiteitsfraude, ...).