
İnsanların alışveriş alışkanlıklarının çevrim içi sistemlerde yoğunlaşmasıyla birlikte, bu alanda faaliyet gösteren işletmelerin dolandırıcılık faaliyetlerini tespit edebilmesi için hızlı ve güvenilir çözümlere duyulan ihtiyaç artmıştır.
E-ticaret Dolandırıcılığı İstatistikleri'ne göre1, 2018 yılında dünya genelinde dolandırıcılık faaliyetleri nedeniyle 24 milyar dolar kaybedilmiştir. Bu bilgi, dolandırıcılıkla mücadelenin önemini ve dolandırıcılık tespit sistemlerine duyulan güçlü ihtiyacı ortaya koymaktadır.
Makine öğrenimi destekli dolandırıcılık tespit sistemleri ortaya çıkmadan önce, tespit işlemleri için kural tabanlı sistemler kullanılıyor veya bu süreç onlarca kişiden oluşan ekipler tarafından manuel olarak yürütülüyordu. Ancak yanlış kararlar alınabilmesi veya eksik kurallar tanımlanması ihtimali nedeniyle bu yöntemler çeşitli hatalara ve yanlış tahminlere oldukça açıktı. Ayrıca yeni dolandırıcılık yöntemlerinin tespit edilememesi, düşük doğruluk oranları ve yavaş karar alma süreçleri verimsizliğe yol açıyordu.
Makine öğrenimi tabanlı tespit sistemleri, saniyede yüzlerce işlemi mümkün olan en yüksek doğrulukla analiz edebilir. Böylece işletmeler maliyetlerini azaltırken gerçek müşterilerin siparişlerinin iptal edilmesi de önlenebilir.
AWS, Amazon Fraud Detector hizmetinin genel kullanıma sunulduğunu Temmuz 2020'nin sonlarında duyurdu ve 20 yılı aşkın deneyimini müşterileriyle paylaştı. Amazon Fraud Detector hizmeti, veri kümesi olarak kendi geçmiş verilerinizi kullanır. Böylece oluşturduğunuz makine öğrenimi modeli, kendi iş modelinize dayalı dolandırıcılık faaliyetlerini tespit etmek üzere özelleştirilir. Bu hizmetin en önemli avantajı, önceden makine öğrenimi deneyimine ihtiyaç duymamasıdır.
Veri kümesi için AWS, en az 10.000 satır ve 2 değişken içeren, 3–6 aylık geçmiş verilerin kullanılmasını önerir. Bununla birlikte model, ihtiyaçlarınıza bağlı olarak 100 değişkene kadar destek sağlar. Ayrıca veri kümesindeki hem dolandırıcılık içeren hem de meşru işlemleri temsil eden satırların sayısı 400'ü aşmalıdır; aksi takdirde model eğitimi başarısız olur.
Amazon Fraud Detector, Amazon SageMaker ile entegre çalışır. Dolayısıyla daha önce bir dolandırıcılık tespit modeli oluşturduysanız bu modeli Amazon Fraud Detector'a aktarabilir ve kullanabilirsiniz.
Fiyatlandırma açısından model eğitimi ve barındırma için saatlik ücretler ödersiniz. Ayrıca Amazon Fraud Detector'daki tahminler için işlem başına ücret alınır. Amazon Fraud Detector'ı makine öğrenimi modelleri yerine kurallara dayalı olarak kullanırsanız maliyetler daha düşük olur. Ayrıntılı bilgi için buraya tıklayın.
Örneğimize başlamadan önce Amazon Fraud Detector'ın bazı temel kavramlarını inceleyelim.
Events (Olaylar): Dolandırıcılık içerip içermediği değerlendirilen faaliyetlerdir.
Entity (Varlık): Olayları tetikleyen kişileri veya kuruluşları temsil eder. Örneğin müşteriler ve satıcılar.
Label (Etiket): Bir olayın dolandırıcılık içerip içermediğini, yani dolandırıcılık içeren veya meşru bir olay olduğunu belirtir.
Detector (Tespit Edici): Dolandırıcılık tespiti amacıyla değerlendirilen belirli bir olaya yönelik tanımlanmış kuralları ve/veya modelleri içerir. Birden fazla tespit edici sürümü bulunabilse de bunlardan yalnızca biri Active (Etkin) durumunda olabilir.
Variable (Değişken): Dolandırıcılık içeren olayları değerlendirirken kullanmak istediğiniz unsurlardır. Sağlanan veri kümesindeki sütunlarla ve Amazon tarafından tanımlanan değişkenlerle eşleştirilmeleri gerekir.
Rule (Kural): Değişken değerlerinin dolandırıcılık tespiti üzerindeki etkisini belirler. Birden fazla değişken ve sonuç içerebilir. Bir tespit edicinin en az bir kuralı bulunmalıdır.
Outcome (Sonuç): Makine öğrenimi modelinin ürettiği tahmin puanlarına göre dolandırıcılık tahmininin sonunda gerçekleştirilecek işlemlerdir. Örneğin puan 700'ün üzerindeyse etkinliği şüpheli olarak işaretleyebilir ve müşterilerden doğrulama yapmalarını isteyebilirsiniz.
Bu eğitimde, Amazon tarafından oluşturulan örnek veri kümesini (registration_data_20K_full.csv) kullanarak Amazon Fraud Detector hizmetini uygulayacağız. Bu veri kümesi, kayıt dolandırıcılığı olaylarını tespit etmek için ihtiyaç duyduğumuz tüm sütunlardan fazlasını içerir. Veri kümesinin %5'i dolandırıcılık içeren olaylardan oluşur. Bu eğitimde Amazon Fraud Detector'ı konsol üzerinden kullanacak olsak da hizmetten Python SDK aracılığıyla da yararlanılabilir. Haydi başlayalım.
İlk olarak bir S3 bucket oluşturacağız ve adını fraud-detector-test-bucket koyacağız. Ardından eğitim veri kümemizi bu bucket'a yükleyeceğiz.
Kendi veri kümenizi kullanacaksanız zaman damgası ve olay etiketi alanlarının zorunlu olduğunu unutmayın. Ayrıca bu alanların sütun başlıkları sırasıyla EVENT_TIMESTAMP ve EVENT_LABEL olarak belirlenmelidir. Veri kümesinin maksimum boyutu 5 GB'tır. Bu iki sütun dışındaki sütunlarda belirli bir sınıra kadar boş veya eksik değerler bulunması tolere edilebilir.
Desteklenen zaman damgası biçimlerini burada bulabilirsiniz.

Yükleme işlemi tamamlandığında Amazon Fraud Detector paneline gidin. İlk olarak Events (Olaylar) sekmesinden bir olay oluşturacağız. Olay türünün adını girdikten sonra varlık adını belirterek bir varlık oluşturacağız.

Olay değişkenlerini seçmek için “Select variables from the training dataset” seçeneğini belirledik. Ancak daha önce tanımladığınız değişkenlerle devam etmek için “Select variables from your variable list” seçeneğini de tercih edebilirsiniz.

Ardından, S3 bucket'ında saklanan eğitim veri kümenize Amazon Fraud Detector'ın erişebilmesi için bir IAM rolü oluşturun. Daha sonra S3 bucket'ının konumunu girin ve “Upload” düğmesine tıklayın. Yükleme tamamlandığında veri kümesindeki değişkenleri Amazon tarafından tanımlanan değişkenlerle eşleştirin ve sonraki adıma geçin.
Son olarak, meşru ve dolandırıcılık içeren olaylar için iki etiket oluşturun. Böylece modelimizi eğitmeye hazırız.

Şimdiye kadar dolandırıcılık olay türünü oluşturduk. Şimdi bu olay türünü kullanarak modelimizi oluşturup eğiteceğiz. Haydi devam edelim.
Models (Modeller) sayfasından yeni bir model oluşturun ve model türünü ve olay türünü seçin. Ardından IAM rolünü ve eğitim verilerinin konumuna ilişkin bilgileri seçerek sonraki adıma geçin.
Model türü olarak şu anda Online Fraud Insights kullanılabilir. Aşağıdaki görselde de görebileceğiniz gibi, önerilen değişkenleri içeren bir veri kümesi sağlayarak Online Fraud Insights model türüyle çevrim içi ödeme dolandırıcılığı, yeni hesap dolandırıcılığı ve sahte yorum dolandırıcılığı olaylarını daha yüksek doğrulukla tespit edebilen modeller eğitebilirsiniz.

Model input (Model Girdisi) sekmesinde tüm değişken kutularını işaretli bırakacağız. Ardından Label classification (Etiket Sınıflandırması) sekmesine geçerek daha önce tanımladığınız dolandırıcılık içeren ve meşru olaylara karşılık gelen etiket adlarını seçin.
Veri kümesinin olaylarla ilgili sütununda, tanımlanan etiketler dışında farklı değerler bulunmaması gerektiğini unutmayın. Aksi takdirde model eğitimi başarısız olur.

Artık modelimizi eğitmeye hazırız. Veri kümemizle modelin eğitilmesi yaklaşık bir saat sürer. Amazon Fraud Detector, model performansını belirlemek için model eğitiminde kullanılmayan verilerin %15'ini kullanır. Eğitim tamamlandığında puan ve doğruluk bilgilerini model ayrıntıları sayfasında bulabilirsiniz.
Bu bilgiler, tespit ediciler ve kurallar oluştururken oldukça faydalı bilgiler sağlar. Daha önce belirttiğimiz gibi model, çıktı olarak bir puan üretir ve dolandırıcılık tespiti bu puana göre gerçekleştirilir (0: en düşük risk, 1000: en yüksek risk).
Karışıklık matrisinde (Confusion Matrix) görebileceğiniz üzere, 500 puanlık eşik değerinde dolandırıcılık içeren olayların %95,3'ü tespit edilirken meşru olayların %13,3'ü de dolandırıcılık olarak işaretlenmektedir.

Aşağıdaki görselden diğer eşik değerleri için doğruluk oranlarını da inceleyebilirsiniz.

Modeller, Deploy (Dağıtım) sekmesinden model sürümü seçilerek kolayca dağıtıma alınabilir. Birkaç dakika içinde model dağıtıma alınır ve durumu Active (Etkin) olarak değişir. Dağıtım tamamlandığında, modelin barındırılması için saatlik ücretlendirme yapılır.
Durumu Active (Etkin) olan modeller, tespit edicilere eklenebilir. Birden fazla model kullanmak, tespit doğruluğunu artırmaya yardımcı olabilir. Bu nedenle tespit edicilere birden fazla model ekleyebilirsiniz.

Şimdi tahmin sonucunda elde ettiğimiz puanı yorumlamak için modelimize yönelik kurallar oluşturalım. Model eğitiminin sonucunda sunulan eşik değerleri tablosunu değerlendirerek “high_fraud_risk”, “medium_fraud_risk” ve “low_fraud_risk” adlarında üç kural oluşturduk.
Ayrıca, kuralın koşulu karşılandığında ne olacağını açıklamak için “outcomes” (sonuçlar) da oluşturduk.
Kuralları tanımlarken modelin verdiği puanın yanı sıra daha önce tanımladığımız değişkenleri de kullanabileceğimizi unutmayalım. Kural ifadeleri hakkında daha fazla bilgi için buraya tıklayın.

Amazon Fraud Detector'dan gerçek zamanlı dolandırıcılık tahminleri almak için artık yalnızca bir adım kaldı. Detector sürümünün ayrıntıları sayfasından “Run tests” (Testleri Çalıştır) seçeneğini belirleyin. Değişkenlerin değerlerini girin ve testi çalıştırın.
Amazon Fraud Detector, tanımlanan kurallara göre sonuçları döndürecektir. Test sonuçları ihtiyaçlarınızı karşılıyorsa tespit edicinin durumunu “Draft” (Taslak) durumundan “Active” (Etkin) durumuna değiştirebilir ve tespit edicinizi gerçek zamanlı tahminler için kullanıma açabilirsiniz.
GetEventPrediction API'sine buradan ulaşabilir ve Amazon Fraud Detector'ı kullanmaya başlayabilirsiniz.

İşte bu kadar! Dolandırıcılık faaliyetlerini tespit etmek için olay türlerimizi oluşturduk ve modelimizi geçmiş verilerle eğittik. Artık önceden makine öğrenimi uzmanlığına ihtiyaç duymadan, yeni hesaplar oluşturulduğunda dolandırıcılık modellerine ilişkin doğru tahminler alabilir ve uygun önlemleri uygulayabiliriz.
1: https://shiftprocessing.com/credit-card-fraud-statistics
İşletmenizi korumak ve işlemlerinizin güvenliğini sağlamak için gelişmiş güvenlik çözümlerini hayata geçirmek mi istiyorsunuz? Dış saldırılara karşı güvenlik seviyenizi artırmak için hemen bizimle iletişime geçin!
Beyza, hevesli bir Developer olarak, modern uygulama geliştirme için sonraki nesil teknolojileri takip etmek ve kullanmak konusunda isteklidir. Mükemmel uygulamalar için dönüşüm sağlayıcı pratikleri benimseme ilgisi, öğrenme ve yeteneklerini paylaşma tutkusu ile birlikte yeni teknolojilere olan ilgisini desteklemektedir.
Teknoloji kullanımımız, çözümlerimiz ve rehberlerimizle ilgili en son güncellemeleri ve makaleleri keşfedin.
Size daha iyi bir deneyim sunmak için çerez kullanıyoruz.
Kişiselleştirilmiş içerikle size daha iyi bir deneyim sunmak için çerezleri kullanıyoruz.
Çerezler, ziyaret ettiğiniz web siteleri tarafından bilgisayarınıza gönderilen ve saklanan küçük dosyalardır. Bir sonraki ziyaretinizde tarayıcınız çerezi okuyarak bilgileri, çerezi oluşturan web sitesine veya öğeye iletir.
ㅤㅤㅤㅤㅤㅤ
Çerezler, web sitemizi her ziyaret ettiğinizde sizi otomatik olarak tanımamıza yardımcı olur, böylece deneyiminizi kişiselleştirebilir ve size daha iyi hizmet sunabiliriz.

