Tesla ADS - Além da fraude com inteligência artificial

307 visualizações

Publicada em

Apresentação do produto da Tesla voltado para mercado bancário e financeiro.

Publicada em: Negócios
0 comentários
1 gostou
Estatísticas
Notas
  • Seja o primeiro a comentar

Sem downloads
Visualizações
Visualizações totais
307
No SlideShare
0
A partir de incorporações
0
Número de incorporações
6
Ações
Compartilhamentos
0
Downloads
1
Comentários
0
Gostaram
1
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Tesla ADS - Além da fraude com inteligência artificial

  1. 1. Machine Learning Redes Neurais Além da fraude com inteligência artificial www.tesla-ads.com contato@tesla-ads.com
  2. 2. o  Empresa o  Mercado o  O que é aprendizado de máquina o  Porque usar para prevenção de fraudes o  Como aplicar ao seu negócio o  ADS Platform
  3. 3. Empresa A Tesla ADS é uma empresa com foco em sistemas integrados e automatizados de decisão. Como integrante do Startup Program da SAP e AWS Activate da Amazon Web Services, nossas plataformas de serviços rodam usando o conjunto das melhores tecnologias do mercado, para servir como base para criação dos modelos de inteligência artificial.
  4. 4. Mercado
  5. 5. Fraudes em Cartão de Crédito https://www.spcbrasil.org.br/ spc_brasil_apresentacao_pesquisa_fraudes_20141.pdf Cartão  de  crédito  clonado:         Ø  53%  Descobriu  conferindo  a  fatura     Ø  72%  Cancelaram  o  cartão  de  crédito   Ø  63%  Foram  res=tuídos  integralmente   Ø  66%  Ficaram  mais  criteriozos  com  o  uso  do  cartão   Cartão  de  crédito  é  o   quinto  lugar  em  nas   fraudes  mais  ocorridas    
  6. 6. Fraudes em Cartão de Crédito http://noticias.serasaexperian.com.br/maio-registra-161-102-tentativas-de- fraude-contra-o-consumidor-revela-indicador-serasa-experian/ Maio de 2015 registrou: -161.102 tentativas de fraude conhecida como roubo de identidade - Uma tentativa de fraude a cada 16,6 segundos no país.
  7. 7. Fraudes em Seguros http://www.cnseg.org.br/cnseg/servicos-apoio/noticias/ fraude-prejudica-todo-o-sistema-de-seguros.html A Confederação Nacional das Empresas de Seguros Gerais, Previdência Privada e Vida, Saúde Suplementar e Capitalização (CNseg) Como um câncer, a fraude prejudica todo o sistema de seguros. Os impactos da fraude não só para a seguradora, mas também para toda a sociedade, uma vez que isso gera aumento do preço do seguro e prejudica a entrada de novos consumidores. “Sem novos entrantes no mercado, fica mais complicado ter preços mais acessíveis”
  8. 8. Fraudes em Seguros http://www.cnseg.org.br/cnseg/servicos-apoio/noticias/ fraude-prejudica-todo-o-sistema-de-seguros.html Em números, as fraudes comprovadas, sem considerar previdência, saúde e capitalização, somaram R$ 448 milhões em 2014, ou seja, 1,7% em relação aos sinistros avisados dos Seguros Gerais. Em 2013, as fraudes totalizaram R$ 350 milhões (1,5%) e em 2012, R$ 340 milhões (1,2%). “Se colocar esse índice em cima dos sinistros suspeitos, o indicador sobe para 20%. Em cima dos sinistros investigados, avança para 25%.
  9. 9. O que é aprendizado de máquina (machine learning)
  10. 10. Exemplos de Machine Learning As regras da estrada não funcionam aqui.
  11. 11. Exemplos de Machine Learning Minhas compras fazem o sistema aprender. Meu feedback ensina o sistema a se aprimorar e evoluir
  12. 12. Exemplos de Machine Learning Marcar os casos ensina o sistema a melhorar e evoluir Compras anteriores fazem o sistema aprender.
  13. 13. Machine Learning é… “Sistemas inteligentes que aprendem automaticamente, preveem e agem usando dados” APRENDER PREVEEM AGEM “sem regras predefinidas"
  14. 14. Porque usar para prevenção de fraudes
  15. 15. Fraude é adversa Disciplinas como otimização para ferramentas de busca tem competidores de acordo com regras… ...prevenção de fraude tem adversários hostis propositalmente quebrando as regras
  16. 16. Padrões de Fraudes mudam rapidamente Regras geradas por humanos não evoluem rápido suficiente Cada barra é um dia Esta é $691,000
  17. 17. Fraude é de cauda-longa Soma dos casos menores é mais danosa que os casos maiores país varejo emissor cartão valor
  18. 18. Regras Humanas Vs Modelos de Máquina Regras Humanas Olhar  para  todas  transações  para  cada  varejo  nos  úl=mos  30   dias   Calcular  a  taixa  de  de  desvio  padrão  do  declínio  para  cada   varejo  por  dia.   Criar  uma  regra  para  cada  segmento  de  varejo   Ação:  Negar  transações  quando  a  taixe  de  declínio  aumentar   no  fator  de  3x.   Um tamanho para todas regras, muitas revisões manuais Modelos de Máquina(Redes Neurais) Olhar  para  todas  transações  negadas  para  cada  varejo  nos   úl=mos  3  anos  usando  princípios  de  Big  Data   Calcular  a  taixa  padrão  de  desvio  para  cada  varejo  por  dia,  por   hora,  localização,  milhares  de  maneiras...   Criar  um  modelo  probabilís=co  para  cada  varejo  para  capturar   as  nuâncias  de  cada  um.   Ação:  Negar  transações  quando  a  probabilidade  da  taixa  de   declínio  aumentar  o  risco  além  do  normal  dependendo  do   comportamento  do  lojista   Modelos probabilísticos encontram nuâncias de cada caso
  19. 19. Como aplicar ao seu negócio
  20. 20. Visão do processo Processo de aprendizado Passos para criação da Rede Neural Pegar Dados Design Modelo Treinar /Testar Comparar Publicar 1.  Pegar dados - dados históricos, terceiros, dados proprietátios. 2.  Design do Modelo – Desenhar as funcionalidades do modelo que irão inferir no comportamento. 3.  Treinar/Testar – Aprendizado supervisionado. Inferir uma função de dados nomeados consiste em exemplos de treinamento. 4.  Comparação – Comparar contra a base, performance contra base atual para entender melhorias de performance. 5.  Publicação – Prover novas configurações da caixa de areia para ambiente de produção
  21. 21. Muitas escolhas para treinar as Redes Neurais Modelos probabilísticos encontram nuâncias de cada caso Qual é uma zebra? Métodos
  22. 22. Como sabemos que funciona? ü ROC Curves ü Ranges de detecção ü Ranges de Falso Positivo ü Objetivo: Maior taixa de detecção com menor taixa de falso positivo MEDINDO E AVALIANDO A PERFORMANCE DA REDE
  23. 23. O que você precisa Infraestrutura Storage Memória Processadores Largura de banda Time Cientistas de dados Engenheiros Analista Dados Base treinamento Over/Undersampling Overfitting Sistema de predição em que a linha verde representa um modelo sobreajustado e a linha preta um modelo regularizado.
  24. 24. Intuição Humana ainda é necessária hPp://www.tylervigen.com/view_correla=on?id=2948  
  25. 25. Quebrando as regras Humanos+computadores=máquina definitiva de previsão Entendível Escala de Big-Data Fácil de usar – Machine Learning para todos Aprendizado de Máquina Contínuo “Testes de caixa branca para análises diárias” “Em memória , distribuída” “democratizar o acesso para aprendizado estatístico avançado”
  26. 26. ADS Platform
  27. 27. ADS Platform  A  ADS  Pla]orm  roda  100%  em  memória  no  topo  do  SAP  HANA  e  dentro  da  melhor   infraestrutura  de  cloud  compu=ng  do  mercado,  atendendo  aos  mais  exigentes  compliances   como  PCI-­‐DSS  e  HIPPA.      Através  do  treinamento  das  nossas  Redes  Neurais  com  quan=dades  massivas  de   dados,  nossos  modelos  de  IA  aprendem  e  reconhecem  novos  padrões  automa=camente,   sem  necessidade  de  reescrever  código.  
  28. 28. ADS Platform ü  Precisão de 96% em menos de 1,5 s ü  Análises geográficas em tempo real ü  %Erro: ADS Platform 4% Vs +40% Processo tradicional Proposta de valor ü  Redução de risco e custo ü  Tempo de resposta instantâneo Sistema atual de tomada de decisões tornou-se completamente obsoleto.
  29. 29. ADS Platform - Telas ü  Dashboard ü  Contendo o resumo diário e mensal dos modelos das redes neurais ü  Geoint (Geoprocessamento+inteligência)
  30. 30. ADS Platform - Telas ü  Aplicação Para testar manualmente os modelos das redes.
  31. 31. ADS Platform - Telas ü  API Token e documentação da API para integração, com resumo das chamadas
  32. 32. Machine Learning Redes Neurais Além da fraude com inteligência artificial www.tesla-ads.com contato@tesla-ads.com Obrigado

×