Prevenção de Fraudes: Aproveitando os Valores de Shapley

No panorama em constante evolução da fraude online, os sistemas tradicionais baseados em regras frequentemente não são suficientes para combater ataques sofisticados. O machine learning (ML) oferece uma alternativa poderosa, mas compreender porquê um modelo de ML faz uma determinada previsão é fundamental – especialmente em cenários de alto risco como transações financeiras e verificação de identidade. É aqui que os Valores de Shapley entram em jogo, oferecendo uma abordagem robusta e interpretável para a prevenção de fraudes. Fornecem uma forma justa de distribuir o crédito por uma previsão entre as várias características utilizadas pelo modelo.

Principais Conclusões Os Valores de Shapley oferecem uma vantagem significativa na prevenção de fraudes, fornecendo informações claras e explicáveis sobre as previsões do modelo.

Principais Conclusões Ajudam a identificar as características mais influentes que impulsionam a deteção de fraudes, melhorando a precisão do modelo e reduzindo os falsos positivos.

Principais Conclusões Os Valores de Shapley facilitam a confiança e a transparência, o que é particularmente importante para a conformidade regulamentar e a aceitação do utilizador.

Principais Conclusões Esta abordagem é particularmente eficaz para modelos de machine learning complexos, como máquinas de boosting de gradiente e redes neurais, que são, de outra forma, 'caixas pretas'.

Compreendendo os Valores de Shapley

Originalmente desenvolvidos na teoria dos jogos, os Valores de Shapley determinam a contribuição marginal média de cada característica para a previsão do modelo. Imagine uma equipa de jogadores (características) a trabalhar em conjunto para atingir um objetivo (deteção de fraudes). O Valor de Shapley calcula quanto cada jogador contribuiu para o sucesso geral, considerando todas as combinações de equipas possíveis. Matematicamente, o Valor de Shapley para a característica i é calculado como:

Φ_i = Σ_S⊆F{i} (|S|!(|F|-|S|-1)! / |F|!) * [f(S∪{i}) - f(S)]

Onde:

• Φ_i é o Valor de Shapley para a característica i
• F é o conjunto de todas as características
• S é um subconjunto de características que não inclui i
• |S| é o número de características no subconjunto S
• f(S) é a previsão do modelo utilizando apenas as características no subconjunto S

Em termos mais simples, avalia o impacto de adicionar uma característica a todas as combinações possíveis de outras características, e depois calcula a média desses impactos. Isto fornece uma medida justa e consistente da importância de cada característica.

Aplicando os Valores de Shapley à Deteção de Fraudes

Na deteção de fraudes, as características podem incluir coisas como o montante da transação, a localização do endereço IP, as informações do dispositivo, os padrões de comportamento do utilizador e, crucialmente, as pontuações de verificação de identidade de serviços como a Didit. Um modelo de machine learning treinado com dados históricos pode prever a probabilidade de fraude. No entanto, saber que uma transação é sinalizada como fraudulenta não é suficiente. Precisamos de compreender porquê.

Os Valores de Shapley fornecem esse “porquê”. Por exemplo, um modelo pode sinalizar uma transação como fraudulenta com uma probabilidade de 90%. A aplicação dos Valores de Shapley revela que 60% dessa probabilidade é atribuída a um endereço IP de alto risco, 20% a uma alteração recente no endereço de envio e 10% a uma pontuação de verificação de identidade baixa. Esta informação granular é inestimável.

Esta informação não serve apenas para compreender as previsões passadas; serve para melhorar as futuras. Ao identificar as características mais influentes, podemos concentrar-nos em melhorar a qualidade dessas características ou desenvolver novas, levando a um sistema de deteção de fraudes mais preciso e robusto. Por exemplo, se as pontuações de verificação de identidade baixas contribuírem consistentemente para a fraude, podemos investir no aprimoramento dos nossos processos de verificação de identidade.

Benefícios de Utilizar os Valores de Shapley na Prevenção de Fraudes

Além de uma maior interpretabilidade, o uso dos Valores de Shapley oferece vários benefícios importantes:

• Melhoria da Precisão do Modelo: Compreender a importância das características permite um refinamento direcionado do modelo.
• Redução de Falsos Positivos: Ao identificar as razões por trás das previsões de fraude, podemos reduzir o número de transações legítimas incorretamente sinalizadas como fraudulentas.
• Aumento da Confiança e Transparência: A IA explicável gera confiança com as partes interessadas e facilita a conformidade regulamentar. Explicar o raciocínio por trás de uma determinação de fraude a um cliente é muito mais eficaz do que simplesmente afirmar “a sua transação foi bloqueada”.
• Deteção de Viés: Os Valores de Shapley podem ajudar a descobrir preconceitos não intencionais no modelo, garantindo resultados justos e equitativos.

Considerações Práticas e Implementação

Calcular os Valores de Shapley pode ser computacionalmente dispendioso, especialmente para modelos com um grande número de características. No entanto, vários algoritmos eficientes, como o TreeSHAP, foram desenvolvidos para resolver este desafio. Estes algoritmos aproveitam a estrutura das árvores de decisão para aproximar os Valores de Shapley muito mais rapidamente.

As bibliotecas Python populares como a SHAP (SHapley Additive exPlanations) fornecem implementações convenientes desses algoritmos. Integrar a SHAP na sua pipeline de machine learning existente é relativamente simples. O processo envolve normalmente treinar o seu modelo e, em seguida, usar a SHAP para explicar as previsões do modelo treinado.

Por exemplo, considere um cenário em que um utilizador tenta criar uma conta numa plataforma de comércio eletrónico. O processo de verificação de identidade da Didit contribui com uma pontuação indicando a legitimidade do utilizador. Usando a SHAP, podemos quantificar quanto essa pontuação da Didit contribuiu para a decisão do modelo de aprovar ou rejeitar a criação da conta. Uma pontuação baixa da Didit, juntamente com outros fatores de risco, pode ser o principal fator de rejeição, fornecendo uma justificação clara.

Como a Didit Ajuda

A plataforma robusta de verificação de identidade da Didit fornece um componente crucial para sistemas eficazes de prevenção de fraudes. Ao integrar as pontuações e os sinais de risco de identidade da Didit nos seus modelos de machine learning, você ganha uma característica poderosa que melhora significativamente a precisão. Combinada com os Valores de Shapley, você pode entender como os dados da Didit contribuem para a deteção de fraudes, permitindo otimizar a sua estratégia geral de fraude.

A Didit oferece:

• Verificação de Identidade Abrangente: Verifique documentos de identidade, detete sinais de vida e realize autenticação biométrica.
• Avaliações de Risco em Tempo Real: Avalie o risco do utilizador com base numa variedade de sinais, incluindo informações do dispositivo, endereço IP e biometria comportamental.
• Integração Contínua: Integre a API da Didit nas suas pipelines de machine learning existentes com facilidade.

Pronto para Começar?

Pronto para desbloquear o poder dos Valores de Shapley e aprimorar as suas capacidades de prevenção de fraudes? Explore a plataforma da Didit hoje e solicite uma demonstração. Leia a nossa documentação técnica para saber mais sobre as nossas APIs e opções de integração. Não deixe que a fraude prejudique o seu negócio – assuma o controle com insights orientados a dados!