Finansal risk kontrolü için grafik algoritmalarını kullanın - Platform For AI

Dolandırıcılar nadiren tek başına hareket eder. Bir ağ içinde çalışırlar; hesapları, adresleri, cihazları ve iletişim bilgilerini paylaşırlar. Geleneksel kural tabanlı sistemler her kişiyi bağımsız olarak değerlendirir ve bu gizli bağlantıları gözden kaçırır. Grafik algoritmaları, yalnızca bireysel niteliklere değil, kişiler arasındaki ilişkilere odaklanarak dolandırıcılığı tespit eder.

Bu konu, PAI Designer'daki Finansal Risk Yönetimi işlem hattı şablonunu kullanarak bir ilişki ağındaki her kişi için bir dolandırıcılık olasılık puanının nasıl hesaplanacağını gösterir.

İşlem hattı dolandırıcılığı nasıl tespit eder

İşlem hattı, kişileri düğümler ve aralarındaki ilişkileri kenarlar olarak temsil eder. Her kenarın yakınlığı ölçen bir count değeri vardır; daha yüksek bir değer daha güçlü bir ilişki anlamına gelir.

Üç grafik algoritması bileşeni sırayla çalışır:

Maximum Connected Subgraph — İlişki grafiğindeki kişileri iki gruba ayırır ve her gruba bir ID atar. Ardından, SQL Script ve JOIN bileşenleriyle birlikte, birbirine bağlı en fazla kişiyi içeren kümeyi bularak alakasız kişileri kaldırır.
Single-Source Shortest Path — Enoch'un hedeflenen kişilere ulaşmak için kaç kişiyle iletişim kurması gerektiğini ölçer. Çıktıdaki distance alanı bu atlama sayısını kaydeder.
Label Propagation Classification — Bilinen vakalardan (dolandırıcı olan Evan) etiketleri ağ üzerinden yayar. Etiketler, etiketlenmiş düğümlerden bitişik düğümlere doğru yayılır. Çıktıdaki weight alanı, her kişinin dolandırıcı olma olasılığını kaydeder.

Veri kümesi

İşlem hattı aşağıdaki alanlara sahip bir ilişki veri kümesi kullanır.

Alan	Tür	Açıklama
`start_point`	STRING	Bir kenarın başlangıç düğümü. Bir kişinin adı.
`end_point`	STRING	Bir kenarın bitiş düğümü. Bir kişinin adı.
`count`	DOUBLE	İki kişi arasındaki yakınlık. Daha yüksek bir değer daha yakın bir ilişkiyi gösterir.

Aşağıdaki görsel, işlem hattında kullanılan örnek verileri gösterir. 示例数据

Ön koşullar

Başlamadan önce şunlara sahip olduğunuzdan emin olun:

Bir PAI çalışma alanı. Kurulum talimatları için PAI belgelerine bakın.
Designer'ı kullanma iznine sahip PAI konsolu erişimi.

İşlem hattını oluşturun ve çalıştırın

Adım 1: Designer'ı açın

PAI console adresinde oturum açın.
Sol gezinme bölmesinde Workspaces öğesine tıklayın. Workspaces sayfasında çalışma alanınızın adına tıklayın.
Sol gezinme bölmesinde Model Training > Visualized Modeling (Designer) seçeneklerini seçin.

Adım 2: İşlem hattını bir şablondan oluşturun

Visualized Modeling (Designer) sayfasında Preset Templates sekmesine tıklayın.
Financial Risk Management şablonunu bulun ve Create öğesine tıklayın.
Create Pipeline iletişim kutusunda parametreleri gözden geçirin. Data Storage parametresi, işlem hattının çalışma zamanında geçici verileri ve modelleri depoladığı Object Storage Service (OSS) paket yolunu ayarlar. Varsayılan değerler bu konu için uygundur.
OK öğesine tıklayın. İşlem hattının oluşturulması yaklaşık 10 saniye sürer.
Pipelines sekmesinde, tuvalde açmak için Financial Risk Management işlem hattına çift tıklayın.

Tuval, üç bölümden oluşan işlem hattını gösterir. Graph algorithm pipeline

Bölüm Bileşenler Amaç

① Maximum Connected Subgraph → SQL Script → JOIN Kişileri iki gruba ayırır ve her gruba bir ID atar. Ardından, birbirine bağlı en fazla kişiyi içeren kümeyi bularak alakasız kişileri kaldırır.

②

Single-Source Shortest Path

Bölüm	Bileşenler	Amaç
①	Maximum Connected Subgraph → SQL Script → JOIN	Kişileri iki gruba ayırır ve her gruba bir ID atar. Ardından, birbirine bağlı en fazla kişiyi içeren kümeyi bularak alakasız kişileri kaldırır.
②	Single-Source Shortest Path	Enoch'un hedeflenen kişilere ulaşmak için kaç kişiyle iletişim kurması gerektiğini hesaplar. Çıktıdaki `distance` alanı bu değeri kaydeder. Single-Source Shortest Path bileşeninin çıktısı dört sütun içerir: `start_node` (başlangıç düğümü, her zaman Enoch), `dest_node` (hedef düğüm), `distance` (en kısa mesafe) ve `distance_cnt` (en kısa yol sayısı). Sonuçlar, Enoch'tan diğer kişilere olan en kısa mesafeyi gösterir: Hale, Leif: `distance` değeri 1,0'dır Hugo, Keith, Jeff, Evan: `distance` değeri 2,0'dır Lionel, Mick: `distance` değeri 3,0'dır Gregary, Noah: `distance` değeri 4,0'dır Enoch'un kendisi: `distance` değeri 0,0'dır
③	Data Source → Label Propagation Classification → SQL Script	Etiketli verileri (`weight` = dolandırıcılık olasılığı) içeri aktarır, dolandırıcılık etiketlerini bilinen dolandırıcılardan ağ üzerinden bitişik düğümlere yayar ve her kişinin dolandırıcılık olasılığını göstermek için sonuçları filtreler.

Enoch'un hedeflenen kişilere ulaşmak için kaç kişiyle iletişim kurması gerektiğini hesaplar. Çıktıdaki distance alanı bu değeri kaydeder.

Single-Source Shortest Path bileşeninin çıktısı dört sütun içerir: start_node (başlangıç düğümü, her zaman Enoch), dest_node (hedef düğüm), distance (en kısa mesafe) ve distance_cnt (en kısa yol sayısı). Sonuçlar, Enoch'tan diğer kişilere olan en kısa mesafeyi gösterir:

Hale, Leif: distance değeri 1,0'dır
Hugo, Keith, Jeff, Evan: distance değeri 2,0'dır
Lionel, Mick: distance değeri 3,0'dır
Gregary, Noah: distance değeri 4,0'dır
Enoch'un kendisi: distance değeri 0,0'dır

③ Data Source → Label Propagation Classification → SQL Script Etiketli verileri (weight = dolandırıcılık olasılığı) içeri aktarır, dolandırıcılık etiketlerini bilinen dolandırıcılardan ağ üzerinden bitişik düğümlere yayar ve her kişinin dolandırıcılık olasılığını göstermek için sonuçları filtreler.

Adım 3: İşlem hattını çalıştırın ve sonuçları görüntüleyin

Tuvalin sol üst köşesinde, işlem hattını çalıştırmak için öğesine tıklayın.
Çalıştırma tamamlandıktan sonra, tuvaldeki SQL öğesine sağ tıklayın ve View Data seçeneğini seçin.

Çıktı tablosu, Leif, Evan, Mick, Noah, Hugo, Keith, Jeff ve Lionel olmak üzere dolandırıcı olarak etiketlenen sekiz kişiyi ve her kişinin dolandırıcı olma olasılığını gösteren weight değerini listeler.

Grafik algoritmaları neden kural tabanlı sistemlerin kaçırdığı dolandırıcılığı tespit eder

Aşağıdaki görsel bir örnek ilişki grafiğini gösterir. Oklar, iş arkadaşlığı veya akrabalık gibi ilişkileri temsil eder. Bu grafikte Enoch güvenilir bir müşteri, Evan ise bir dolandırıcıdır. 任务关系图

Machine Learning Platform for AI (PAI), K-Core, Maximum Connected Subgraph ve Label Propagation Classification dahil olmak üzere ilişki analizi için birkaç grafik algoritması bileşeni sağlar. Bu bileşenler, bireysel düzeydeki modellerin kaçırdığı risk sinyallerini ortaya çıkarmak için ilişki yapılarını analiz eder.

Etiket yayılımı nasıl çalışır: Label Propagation Classification, yarı denetimli bir sınıflandırma algoritmasıdır. Giriş olarak bir ilişki grafiği ve etiketli verileri kullanır ve etiketlenmemiş düğümlerin etiketlerini, etiketlenmiş olanların etiketlerine dayanarak tahmin eder. Etiket yayılımı, her düğümün etiketini ona bitişik düğümlere yayar.