Введение
Банковский сектор России ежегодно сталкивается с ростом числа операций, совершаемых без согласия клиента: по оценкам экспертного сообщества, суммарный объем подобных переводов измеряется десятками миллиардов рублей, причем доля возмещенных клиентам средств редко превышает треть от похищенного. Регулятор реагирует на эту динамику ужесточением требований к операторам платежных систем – Положение Банка России от 29.06.2021 № 762-П прямо обязывает кредитные организации выявлять признаки осуществления перевода без согласия клиента и приостанавливать подозрительные операции [2]. Федеральный закон № 161-ФЗ «О национальной платежной системе» закрепляет саму обязанность банков информировать клиента о каждой операции и реагировать на сигналы о несанкционированном доступе [1]. Формальное требование, однако, упирается в техническую проблему: вручную проверить миллионы транзакций, проходящих через процессинговый центр крупного банка за сутки, невозможно ни физически, ни экономически. Отсюда и возникает запрос на автоматизированные модели, способные в реальном времени отделять легитимные операции от мошеннических с минимальной задержкой и приемлемой долей ложных срабатываний.
Задача выглядит обманчиво простой – бинарная классификация, «мошенничество» или «норма» – но на практике она относится к числу наиболее сложных прикладных кейсов машинного обучения. Причина в сочетании нескольких факторов сразу: крайней редкости целевого события (доля фрода в общем потоке транзакций обычно не превышает десятых долей процента), быстрой адаптации злоумышленников к существующим правилам детектирования и необходимости принимать решение за доли секунды, не создавая при этом избыточных неудобств для добросовестных клиентов. Золкин с соавторами справедливо отмечают, что архитектура антифрод-контура в современном банке строится не вокруг единственной модели, а вокруг конвейера из нескольких уровней проверки – от простых правил до сложных ансамблевых алгоритмов [3, с. 42]. Чем объясняется такая многоуровневость, видно из самой природы мошенничества: оно неоднородно по механике (кража карточных данных, социальная инженерия, захват учетной записи) и требует разных признаковых пространств для обнаружения каждого типа.
Актуальность темы обостряется еще одним обстоятельством – стремительным распространением схем социальной инженерии, при которых клиент сам, под психологическим давлением, совершает перевод в пользу мошенника. Аркадьева показывает, что классические антифрод-модели, настроенные на поиск аномалий в технических параметрах транзакции (IP-адрес, устройство, геолокация), здесь часто бессильны: операция совершается с собственного устройства клиента, в привычное время, без признаков взлома [7, с. 6]. Картина получается неоднородная: один класс мошенничества успешно отлавливается статистическими методами, другой требует анализа поведенческих паттернов и истории коммуникаций клиента, третий – вовсе выходит за пределы транзакционных данных и затрагивает голосовую аналитику звонков. Разработчикам моделей приходится балансировать между точностью, скоростью и устойчивостью к изменению тактики злоумышленников – а это уже не чисто техническая, а методологическая задача.
Целью данной работы является систематизация методологических подходов к построению и эксплуатации моделей машинного обучения, предназначенных для выявления мошеннических транзакций, с оценкой практической эффективности основных алгоритмических семейств.
Для достижения цели поставлены следующие задачи:
– рассмотреть классификацию современных методов машинного обучения, применяемых в задачах антифрода;
– изучить особенности подготовки данных и способы работы с несбалансированными выборками транзакций;
– провести сравнительный анализ алгоритмов градиентного бустинга и нейронных сетей применительно к задаче обнаружения мошенничества;
– определить подходы к мониторингу качества работы модели в промышленной эксплуатации и к предотвращению деградации признаков.
Объектом рассмотрения выступают модели машинного обучения, используемые в системах выявления мошеннических операций в банковской сфере. Предметом – методологические и технологические аспекты их построения, обучения и сопровождения на всем жизненном цикле. Информационной базой послужили нормативные документы Банка России, учебные и монографические издания по машинному обучению (работы Флаха [5], Хайкина [6], Райана и Массарона [4]), а также статьи российских исследователей, посвященные частным аспектам антифрод-аналитики – Березкина с соавторами [9], Капитоновой с соавторами [10], Лозовской и Щукиной [11], Пестунова и Самойленко [12]. Структура работы соответствует логике поставленных задач: первая глава посвящена методологическим основаниям построения моделей, вторая – практической реализации, сравнительной оценке алгоритмов и вопросам эксплуатационного мониторинга.
- Методологические аспекты создания моделей выявления мошеннических операций
1.1. Классификация современных методов машинного обучения в задачах антифрода
Понять, какой метод машинного обучения подходит для конкретного антифрод-сценария, можно только отталкиваясь от того, чем мошенническая транзакция отличается от легитимной на уровне данных. Отличие редко бывает однозначным: злоумышленник стремится имитировать поведение обычного клиента, и граница между классами в признаковом пространстве оказывается размытой. Именно поэтому в банковской практике давно сложилась многоуровневая архитектура детектирования, где разные семейства алгоритмов решают разные подзадачи, а не конкурируют друг с другом за универсальность.
Нижний уровень большинст
…
