Czy Pszczoły Robotnicze mogą pomóc w poprawie... Wykrywania Oszustw?

Głównym zadaniem robotnic pszczelich jest znalezienie i zebranie kwiatów. Choć małe, owady te są zdolne do poszukiwania w zdumiewającym promieniu 6 km (3,7 mili); aby to osiągnąć, opracowały zaskakująco inteligentną strategię - poruszają się w wielu kierunkach jednocześnie, aby być bardziej efektywnymi. W tym samym czasie część społeczności wyrusza w nieznane obszary w poszukiwaniu jeszcze nieodkrytych pól.

Kiedy harcerze wracają z obiecującymi odkryciami, dzielą się swoją wiedzą w ulu i próbują rekrutować innych do wspólnej misji, aby zebrać zasoby z nowo zlokalizowanych obszarów.

A szansa na pozyskanie współpracowników jest proporcjonalna do jakości odkrycia, więc najlepsze pola zyskują największą uwagę... Stingingly smart!

W jaki sposób BEES są istotne w informatycznym wpisie na blogu?

Cóż, to jest naprawdę świetne pytanie. Ale jeśli kiedykolwiek słyszałeś o Swarm Intelligence (SI), na pewno widzisz do czego to zmierza.

Od lat naukowcy i biolodzy badają zwyczaje i wzorce zachowań owadów społecznych, aby dowiedzieć się więcej o ich skuteczności w rozwiązywaniu złożonych problemów i organizowaniu swojej społeczności. Naprawdę fascynujące jest to, że chociaż pszczoły nie są szczególnie bystre jako jednostki (przynajmniej nigdy nie rozumieją, kiedy mówię im, żeby zostawili mnie w spokoju i pozwolili mi cieszyć się moją imprezą ogrodową bez ich obecności), to jednak są niezwykle skuteczne w rozwiązywaniu problemów jako rój.

Od trzydziestu lat naturalne zachowania różnych rodzajów rojów (zwłaszcza ich sposoby odnajdywania ofiar i... kojarzenia) przekładają się na algorytmy ułatwiające i usprawniające skuteczną optymalizację.

Jak one działają? Na przykład, jeśli istnieje wymierny cel, który chcemy zminimalizować lub zmaksymalizować, zastosowanie Swarm Intelligence pozwala na przybliżenie zależności pomiędzy środowiskiem a celem, aby przyspieszyć proces znajdowania ulepszeń.

Powyższe może być nawet przedstawione w formie pseudokodu:

Pseudokod dla standardowego algorytmu pszczelego
   1 za i=1,...,ns
       i scout[i]=Initialise_scout()
       ii flower_patch[i]=Initialise_flower_patch(scout[i])
   2 do momentu zatrzymania_condition=TRUE
       i Rekrutacja()
       ii dla i = 1,...,nb
             1 flower_patch[i]=Local_search(flower_patch[i])
             2 flower_patch[i]=Site_abandonment(flower_patch[i])
             3 flower_patch[i]=Neighbourhood_shrinking(flower_patch[i])
       iii dla i = nb,..., ns
             1 flower_patch[i]=Global_search(flower_patch[i])}

W końcu: Praktyczne zastosowanie

Wszystko to brzmi bardzo nudno, oczywiście, ale znajduje również praktyczne zastosowanie w poważnych obszarach - na przykład w branży finansowej.

Obecnie rozwiązania w zakresie wykrywania nadużyć finansowych nie są uniwersalne. Wiele banków nadal opiera się na regułach, które przyznają negatywne punkty za określone zachowania i cechy, oznaczając transakcję jako oszustwo, jeśli liczba punktów przekracza określony punkt. Jednak wiele instytucji finansowych wdrożyło już Sztuczną Inteligencję (SI) i Uczenie się przez Maszynę (a liczba ta prawdopodobnie wzrośnie, gdyż jest to niewątpliwie rozwiązanie zmieniające grę - więcej na ten temat w naszym wpisie na blogu o wykorzystaniu SI w branży finansowej). Algorytmy Machine Learning wykorzystują szerszą gamę informacji do wykrywania transakcji, które nie wyglądają autentycznie, co powoduje rozbieżności między narzędziami automatycznymi i ręcznymi (ale, co warto podkreślić, nawet stare narzędzia są dalekie od spójności).

Dlaczego więc jest to taki problem?

Po pierwsze, jeśli wszyscy używają różnych danych wejściowych, wyniki nie mogą być uniwersalnie równe, co musi prowadzić do tego, że po prostu brakuje fałszywych transakcji lub, wręcz przeciwnie, do oznaczania rachunków za oszustwa, które nie miały miejsca.

Po drugie, wdrożenie algorytmu Swarm Intelligence jest w tym przypadku szansą na maksymalizację wyników.

Rozwiązanie - Swarm Intelligence

Gdyby większość instytucji finansowych zgodziła się na wspólny system wykrywania nadużyć finansowych, wszystkie mogłyby szukać najlepszego modelu wykrywania nadużyć finansowych - osobno - a następnie, po pewnym czasie, wszystkie korzystałyby z systemu, który zapewnia najlepsze wyniki. A następnie zakończyć ten cykl ponownie, doskonaląc dalej ten model. Pozwoliłoby to na przejrzystą ocenę działania systemu, niemożliwą do osiągnięcia bez szerokiej współpracy, ponieważ instytucja finansowa nie posiadałaby - przynajmniej teoretycznie - wzorców pozwalających na określenie, jaki jest faktycznie najwyższy możliwy procent wykrywania nadużyć finansowych. A dzięki Swarm Intelligence wszyscy mogą dzielić się odpowiednią wiedzą i mieć wspólny punkt wyjścia.

W tym przypadku głównym wyzwaniem wydaje się być stworzenie warunków do dzielenia się wiedzą w zakresie poufności danych, co jest szczególnie ważnym punktem w dobie PCI i PKBR. Jednak wdrożenie algorytmów Swarm Intelligence może z pewnością przynieść duże korzyści. Przecież są one już testowane na zwierzętach!