運營商該如何應用機器學習來減少欺詐問題
近幾個月來掀起了一陣“機器學習”熱潮，谷歌等行業巨頭十分注重機器學習對企業的積極影響。
人們將機器學習定義為人工智能的一個子集，主要針對的是計算機程序自學功能的發展，并且這種自學功能可以隨著新數據的變化而不斷發展和改變。全球的90％的數據量是在過去的兩年里增加的，因此，掌握開發自動化流程以有效適應新信息的能力十分重要。
對于移動運營商來說，機器學習將帶來巨大的好處，特別是在解決欺詐問題上。僅在2016年，電信公司在全球范圍內的虧損預計達到了2940億美元，這使得運營商迫切希望利用所有可以利用的工具來解決這一緊迫問題。
那么機器學習該如何打擊欺詐呢？首先，欺詐管理包括識別特定的個人資料和行為，檢查一切流程是否正常運行，或者是否存在異常。不像其他一些可以忽略異常的企業，負責打擊欺詐的團隊需要認真排除異常，這是至關重要的。
機器學習在這方面可以發揮關鍵作用，因為可以開發和訓練算法來監控這些異常情況。例如，機器學習可以識別不同數據源的異常模式和相關性，遠遠超出了傳統的基于規則的欺詐管理。先進的欺詐管理系統甚至能夠根據社交網絡活動等因素，提供一種獨特的、可以查看的驗證結果。
此外，機器學習算法可以檢測到更加復雜的目標，包括已知的和未知的威脅。隨著數字化地不斷發展，新的欺詐類型也在不斷變化和發展，機器學習要能夠識別并應對不同的復雜威脅，這是保護運營商收入和聲譽的關鍵。
由于機器學習能夠快速有效地識別和應對新的威脅，運營商還可以利用它來節省欺詐管理專業人員的時間。
為了全面打擊欺詐，人類團隊始終需要對任何系統進行監督，因此，機器學習可以協助欺詐團隊，節省他們的時間，從而讓團隊騰出時間從事其他關鍵任務。
例如，機器可以接管重復性的任務，而這通常是欺詐管理團隊不喜歡接管的。一個有效的欺詐檢測系統應該承擔大部分的重復性任務，當需要額外的人力輔助時，人工團隊就會參與進來。隨著物聯網的不斷發展，機器學習也將變得越發重要，從而促進了指數數據的發展。
據Gartner估計，到2020年，超過200億的聯網設備將投入使用，其產生的數據量將遠遠超出人類的處理能力，更不用說利用這些數據來得出有價值的分析結果了。相比之下，機器學習在數據豐富的時代是最適合打擊欺詐的，因為它與數據集的大小成反比。這意味著數據集越大，機器學習的處理效率就越高。
機器還能夠檢測和識別大量的特征和行為，如果人為檢查這些特征和行為的話可能帶來一些風險。而機器可以在幾微秒之內識別出這些特征和行為，從而使操作人員能夠立即對潛在的威脅作出反應。有了這樣明顯的優勢，機器學習將成為運營商打擊欺詐的關鍵武器。
尤其是新型的深度機器學習將更有價值。雖然機器學習的主要算法已經存在了幾十年，但現在每個月都有新的算法開發出來，因為深度學習算法非常復雜。
深度學習軟件試圖模仿大腦皮層的活動層，因為人們的思考行為就是在活動層中進行的。因此，軟件可以學習識別聲音、圖像和其他數據的數字表示形式。對于欺詐管理團隊來說，欺詐管理工具可以借此連接到諸如語音識別、生物識別等服務，這將極大地豐富應對欺詐所需的大量個人資料，并且有助于減輕數字時代所產生的新威脅。
然而，盡管機器學習能給運營商帶來打擊欺詐的優勢，但它在整個行業中仍未得到廣泛應用，最近一項來自TM Forum的調查顯示，目前只有23％的運營商在使用機器學習進行欺詐管理。
不過，這一數字即將發生變化，因為其中18％的運營商表示，他們正在考慮用數據挖掘工具來補充當前的欺詐檢測方法。當面對新的威脅和欺詐帶來的嚴重收入損失時，機器學習可以給運營商帶來的好處是不容忽視的。因此，運營商現在必須行動起來，更新他們的欺詐管理工具，以保持競爭優勢，并最終保護他們的業務成果。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
