Fraud Detection

Das ZIM Projekt "Entwicklung eines verteilten, zweistufigen Fraud-Detection System basierend auf künstlicher Intelligenz sowie Implementierung dieses Systems auf ARM-basierenden Hybridservern; Entwicklung einer Selektionsmethodik zur Detektion von Fraudmustern auf Basis von Stream Based Active Learning mit Konfidenz > 95% und Entwicklung einer verteilten Serverstruktur (Hybridcloud und Hybridservern) auf ARM-Basis für Echtzeitanalyse" befasst sich mit der Fragestellung, wie Machine Learning und insbesondere Active Learning genutzt werden können, um Betrug (Fraud) an Telefondienstanbietern, Vermittlungsstellen und deren Kunden zu erkennen (Fraud-Detection). Die gesammelten Verbindungsdaten werden als Datenstream behandelt, sodass eine Echtzeitanalyse der Anrufe möglich ist. Stream Based Active Learning soll hierbei genutzt werden um sowohl bekannte Fraudmuster an verändernde Verhaltensmuster der Betrüger anzupassen, als auch neue Muster zu erkennen. Darüber hinaus müssen die trainierten Klassifikatoren interpretierbar sein, was heißt, dass die Klassifikation nachvollziehbar sein muss, um dies bei einer Anfechtung begründen zu können.