DYNAMIC SELF-LEARNING SYSTEM FOR AUTOMATICALLY CREATING NEW RULES FOR DETECTING ORGANIZATIONAL FRAUD

• Main Author: SAMPATH, Vijay
• Format: Patent
• Language: English; French
• Published: 07.12.2017
• Subjects: CALCULATING; COMPUTING; COUNTING; DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FORADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORYOR FORECASTING PURPOSES; PHYSICS; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE,COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTINGPURPOSES, NOT OTHERWISE PROVIDED FOR

A fraud detection system that applies scoring models to process transactions by scoring them and sidelines potential fraudulent transactions is provided. Those transactions which are flagged by this first process are then further processed to reduce false positives by scoring them via a second model. Those meeting a predetermined threshold score are then sidelined for further review. This iterative process recalibrates the parameters underlying the scores over time. These parameters are fed into an algorithmic model. Those transactions sidelined after undergoing the aforementioned models are then autonomously processed by a similarity matching algorithm. In such cases, where a transaction has been manually cleared as a false positive previously, similar transactions are given the benefit of the prior clearance. Less benefit is accorded to similar transactions with the passage of time. The fraud detection system predicts the probability of high risk fraudulent transactions. Models are created using supervised machine learning. L'invention porte sur un système de détection de fraude qui applique des modèles de notation pour traiter des transactions par notation de ces dernières et met de côté des transactions potentielles frauduleuses. Les transactions qui sont marquées par ce premier processus sont ensuite traitées davantage pour réduire les faux positifs en les notant par l'intermédiaire d'un second modèle. Ceux satisfaisant un score de seuil prédéterminé sont ensuite mis de côté pour un examen ultérieur. Ce processus itératif ré-étalonne les paramètres sous-jacents aux notes au fil du temps. Ces paramètres sont introduits dans un modèle algorithmique. Ces transactions sont ensuite traitées de manière autonome par un algorithme de mise en correspondance de similarité après avoir subi les modèles susmentionnés. Dans de tels cas, lorsqu'une transaction a été manuellement effacée sous la forme d'un faux positif, des transactions similaires ont donné l'avantage de l'espace existant. Un avantage moindre est accordé à des transactions similaires avec le passage du temps. Le système de détection de fraude prévoit la probabilité de transactions frauduleuses à haut risque. Des modèles sont créés à l'aide d'un apprentissage par machine supervisé.