PayPal é uma empresa global que opera uma rede mundial de sistema de pagamentos, o estudo de caso PayPal e H2O.ai mostra como a empresa utiliza a tecnologia para prevenção de fraudes.

A inovação digital da plataforma aberta da empresa dá aos seus 218 milhões de titulares de contas ativas em 202 mercados em 25 moedas a confiança para se conectar e transacionar online.

A prevenção de fraudes é uma importante área de investimento para PayPal, a empresa usou com sucesso a máquina aprendendo e implantando modelos robustos de prevenção de fraudes por mais de 10 anos.

No entanto, os fraudadores estão constantemente mudando seus padrões e descobrindo novas maneiras de levar vantagem do sistema, como resultado, o PayPal deve encontrar continuamente maneiras de melhorar a precisão e diminuir o tempo da detecção de fraudes.

Usando o H2O Driverless AI, a equipe do PayPal conseguiu encontrar novos recursos de modelagem significativos que dramaticamente aumentou a precisão do modelo em quase 6% em um único teste.

Para uma equipe com mais de 10 anos de experiência em engenharia de recursos lidando com problema de fraude, foi um resultado surpreendente.

O PayPal planeja continuar a usar Driverless AI de maneiras inovadoras para evitar atividades fraudulentas.

Desafio

Para proteger seus consumidores contra fraudes, o PayPal oferece um extensa garantia de proteção de compra, prometendo reembolsá-los pelo preço total de compra mais quaisquer custos de envio originais se eles não receberem o item que eles pediram.

Uma garantia de proteção semelhante se estende aos comerciantes por meio do programa de proteção ao vendedor, que ajuda a proteger os vendedores contra perdas devido a sinistros e estornos.

Infelizmente, com uma transação tão alta volume, o PayPal sofreu fraudes de compradores e vendedores em conluio para fraudar seus programas de proteção.

A abordagem do PayPal para detectar fraudes inclui o uso de equipes de cientistas de dados, analistas financeiros e agências de inteligência para saber como os criminosos pensam, o que os impulsiona e as técnicas que eles podem tentar usar para explorar o sistema de pagamento do PayPal.

Essas equipes colaborar para construir modelos robustos destinados a prever e prevenir atividades ilícitas.

Solução

A equipe de ciência de dados do PayPal trabalhou com H2O.ai, o líder de código aberto em IA, por vários anos, usando tecnologia de aprendizado de máquina e modelos estatísticos para detectar padrões de fraude.

Para ficar um passo à frente da fraude de criminosos, o PayPal examinou não apenas os comportamentos dos compradores e vendedores individuais, mas também considerou atividades que pareciam indicar uma associação com uma rede maior e interconectada.

Por exemplo, os compradores e vendedores suspeitos estão compartilhando ativos? Eles compartilham o mesmo endereço IP? Eles estão listados no mesmo endereço de entrega?

Estrutura

Para entender melhor essas novas redes de dados, a equipe do PayPal implementou um banco de dados gráfico e usou uma estrutura algorítmica para aprender representações de recursos contínuos para nós em redes. 

No caso do PayPal, um nó pode ser o número da conta ou o endereço IP de um comprador ou vendedor.

Uma vez que uma conta ruim é identificada com base nos dados da transação de pagamento, outros contas inválidas que compartilham a mesma estrutura de rede podem ser localizadas.

Assim, tendo trabalhado com H2O.ai por anos, a equipe do PayPal virou-se para H2O Driverless AI para ver se a plataforma e a engenharia automática de recursos poderiam ajudar a criar um modelo robusto.

Combinaram recursos do PayPal, da estrutura de rede do gráfico com seus recursos de engenharia especializada e, em seguida, aplicaram o H2O Driverless AI para o conjunto de recursos mesclados.

Usando três meses o subconjunto de dados de transações de pagamento, o tamanho do gráfico foi cerca de 1,5 bilhão de arestas e 1/2 milhão de nós e o número de recursos foi de cerca de 400 a 600, com Driverless IA fazendo o treinamento do modelo e caracterização automatizada do trabalho de engenharia.

Resultados

Os 5 principais recursos extraídos pelo H2O Driverless AI superou 10 anos de recursos de engenharia especializados.

Ao mesmo tempo, H2O Driverless AI aumentou a precisão do modelo de acuracidade de 0,89 para 0,947.

Além disso, rodando em um servidor IBM Power permitiu que a equipe treinasse o modelo seis vezes mais rápido quando comparado a um ambiente CPU.

Fonte:H2O.ai