Können Arbeitsbienen bei der Verbesserung der... Betrugsaufdeckung?

Die Hauptaufgabe der Arbeitsbienen ist es, Blumen zu finden und zu ernten. Obwohl sie winzig sind, sind diese Insekten in der Lage, in einem Radius von 6 Kilometern (3,7 Meilen) zu suchen. Um dies zu erreichen, haben sie eine erstaunlich intelligente Strategie entwickelt - sie bewegen sich in mehrere Richtungen gleichzeitig, um effizienter zu sein. Gleichzeitig wagt sich ein Teil der Gemeinschaft in unbekannte Gebiete vor, um nach noch unentdeckten Feldern zu suchen.

Wenn Späher mit vielversprechenden Entdeckungen zurückkehren, teilen sie ihr Wissen innerhalb des Bienenstocks und versuchen, andere für eine gemeinsame Mission zu rekrutieren, um Ressourcen in den neu entdeckten Gebieten zu sammeln.

Und die Chance, Mitarbeiter zu rekrutieren, ist proportional zur Qualität der Entdeckung, so dass die besten Bereiche die meiste Aufmerksamkeit erhalten... Verblüffend clever!

Inwiefern sind BEES in einem IT-Blog-Eintrag von Bedeutung?

Nun, das ist in der Tat eine gute Frage. Aber wenn Sie schon einmal von der Schwarmintelligenz (SI) gehört haben, können Sie sicher erkennen, worauf das hinausläuft.

Seit Jahren untersuchen Wissenschaftler und Biologen die Gewohnheiten und Verhaltensmuster sozialer Insekten, um mehr über ihre Effizienz bei der Lösung komplexer Probleme und der Organisation ihrer Gemeinschaft zu erfahren. Das wirklich Faszinierende ist, dass Bienen zwar als Individuen nicht besonders schlau sind (zumindest verstehen sie nie, wenn ich ihnen sage, sie sollen mich in Ruhe lassen und mich meine Gartenparty ohne ihre Anwesenheit genießen lassen), aber sie sind umwerfend effizient, wenn es darum geht, Probleme als Schwarm anzugehen.

In den letzten dreißig Jahren wurde das natürliche Verhalten verschiedener Arten von Schwärmen (insbesondere ihre Art, Beute zu finden und... sich zu paaren) in Algorithmen übersetzt, die eine effiziente Optimierung einfacher und effektiver machen.

Wie funktionieren sie? Wenn es zum Beispiel ein messbares Ziel gibt, das man minimieren oder maximieren möchte, ermöglicht der Einsatz von Schwarmintelligenz eine Annäherung an die Abhängigkeiten zwischen der Umgebung und dem Ziel, um den Prozess der Suche nach Verbesserungen zu beschleunigen.

Das oben Gesagte kann sogar in Form eines Pseudocodes dargestellt werden:

Pseudocode für den Standard-Bienen-Algorithmus
  1 für i=1,...,ns  
  i scout[i]=Initialise_scout()
  ii flower_patch[i]=Initialise_flower_patch(scout[i])
  2 do until stopping_condition=TRUE  
  i Rekrutierung()  
  ii für i =1,...,nb
  1 blumenfeld[i]=Lokale_Suche(blumenfeld[i])
  2 Blumenfeld[i]=Grundstücksabtretung(Blumenfeld[i])
  3 blumenfeld[i]=Nachbarschaft_schrumpfen(blumenfeld[i])  
  iii für i = nb,...,ns
  1 flower_patch[i]=Global_search(flower_patch[i])}

Endlich: Praktische Anwendung

All das klingt natürlich sehr nerdig, aber es findet auch in ernsthaften Bereichen praktische Anwendung - zum Beispiel in der Finanzindustrie.

Derzeit sind die Lösungen zur Betrugserkennung nicht universell. Viele Banken verlassen sich immer noch auf Regel-Engines, die für bestimmte Verhaltensweisen und Merkmale Negativpunkte vergeben und eine Transaktion als Betrug einstufen, wenn die Anzahl der Punkte einen bestimmten Wert übersteigt. Eine Reihe von Finanzinstituten hat jedoch bereits künstliche Intelligenz (KI) und maschinelles Lernen implementiert (und diese Zahl wird wahrscheinlich noch steigen, da es sich zweifellos um eine bahnbrechende Lösung handelt - lesen Sie mehr darüber in unserem Blogbeitrag über den Einsatz von KI in der Finanzbranche). Die Algorithmen des maschinellen Lernens nutzen eine größere Vielfalt an Informationen, um Transaktionen zu erkennen, die nicht echt aussehen, was zu Diskrepanzen zwischen automatisierten und manuellen Tools führt (aber, was erwähnenswert ist, auch alte Tools sind alles andere als kohärent).

Warum ist das also ein Problem?

Erstens: Wenn jeder unterschiedliche Eingabedaten verwendet, können die Ergebnisse nicht durchgängig gleich sein. Das muss dazu führen, dass falsche Transaktionen einfach übersehen werden oder, im Gegenteil, dass Konten als betrügerisch gekennzeichnet werden, die gar nicht existieren.

Zweitens ist die Implementierung eines Schwarmintelligenz-Algorithmus in diesem Fall eine Chance, die Ergebnisse zu maximieren.

Die Lösung - Schwarmintelligenz

Wenn sich die meisten Finanzinstitute auf ein gemeinsames Betrugserkennungssystem einigen würden, könnten sie alle - getrennt voneinander - nach dem besten Betrugserkennungsmodell suchen und dann, nach einiger Zeit, alle das System verwenden, das die besten Ergebnisse liefert. Und dann diesen Zyklus wiederholen und das Modell weiter perfektionieren. Dies würde eine transparente Bewertung der Leistung des Systems ermöglichen, die ohne eine breite Zusammenarbeit unmöglich zu erreichen wäre, da die Finanzinstitute - zumindest theoretisch - keine Benchmarks besitzen, um zu bestimmen, wie hoch der höchstmögliche Prozentsatz der Betrugserkennung tatsächlich ist. Und mit der Schwarmintelligenz können sie alle relevantes Wissen teilen und haben einen gemeinsamen Ausgangspunkt.

In diesem Fall scheint die größte Herausforderung darin zu bestehen, eine Umgebung zu schaffen, in der Wissen unter Wahrung der Vertraulichkeit von Daten geteilt werden kann, was im Zeitalter von PCI und GDPR ein besonders wichtiger Punkt ist. Aber wenn sie umgesetzt werden, können die Algorithmen der Schwarmintelligenz sicherlich große Vorteile bringen. Immerhin wurden sie bereits an Tieren getestet!