Kreditinių kortelių sukčiavimo atpažinimo tyrimas

Abstract

Įvairios institucijos susiduria su iššūkiu prisitaikyti prie naujųjų technologijų, įtraukti dirbtinį intelektą į savo vykdomą veiklą ir reaguoti į vykstančius pokyčius. Dirbtinis intelektas gali ženkliai palengvinti įvairių anomalijų, tokių kaip kreditinių kortelių mokėjimų sukčiavimas, stebėjimą bei rasti būdus kaip galima būtų išvengti vyraujančių sukčiavimų. Šio tyrimo tikslas yra aprašyti dirbtinio intelekto sąvoką finansų sektoriuje, naudojamus algoritmus bei ištirti duomenų bazę, kuri rasta Kaggle duomenų bazėje. Tyrimo metu buvo aprašyta, kas yra dirbtiniai neuroniniai tinklai, keli dažnai naudojami algoritmai finansų sektoriuje, pavyzdžiui, vektorių palaikymo mašinos, K–artimiausio kaimyno modeliai. Taip pat buvo pristatyta ir išanalizuota kreditinių kortelių transakcijų duomenų bazės duomenys, naudojami apmokant dirbtinį neuroninį tinklą. Analizuojant duomenų bazę, buvo naudota Python programavimo kalba, kad būtų braižomi grafikai. Tyrimo metu buvo susipažinta su dirbtiniais neuroniniais tinklais, buvo išsiaiškinta, kad tiriama duomenų bazė yra sudaryta iš realių transakcijų ir dėl konfidencialumo buvo transformuoti duomenys, tačiau duomenų bazė tinkama, norint apmokyti neuroninį tinklą.

Different institutions face the challenge of adapting to new technologies, incorporating artificial intelligence into their own activities and monitoring the changes. Artificial intelligence can make easier monitoring of various anomalies, as well as counterfeiting credit card payments. The aim of this paper is to describe the artificial intelligence concept in the financial sector using the algorithms and to investigate the database that was found in the Kaggle database. During the work, artificial neural networks were described, and algorithms are often used in the financial sector (eg: Vector Support Machines, K–Neighbor Models). A credit card database was also introduced and analyzed, which can be used to teach an artificial neural network. When analyzing the database, Python programming language was used to draw graphs. During my work I managed to learn about artificial neural networks, it became clear that the database under study was made up of real transactions and the data was transformed due to confidentiality, but still the database is suitable for training the neural network.