Использование обучения с подкреплением для детекции мошенничества в банковской сфере

Мошенничество с использованием банковских карт является одной из глобальных проблем, наносящих значительный ущерб как физическим лицам, так и организациям. С каждым годом убытки от мошенничества в банковской сфере продолжают расти, что подчеркивает необходимость внедрения новых методов его выявления и предотвращения. В таких условиях особенно важны инструменты, которые не только обнаруживают мошеннические транзакции по известным паттернам, но и распознают новые формы мошеннического поведения. В связи с этим, большое внимание уделяется применению методов машинного обучения для обеспечения безопасности, включая обнаружение мошеннических операций. Одним из таких методов является использование глубокого обучения с подкреплением. Основная цель состоит в том, чтобы понять, как глубокое обучение с подкреплением может сыграть важную роль в обнаружении мошенничества с кредитными картами при изменении моделей поведения пользователей. Предлагаемая модель использует Deep Q-Network (DQN) для обнаружения мошенничества в режиме реального времени. Для обучения и тестирования модели использовался общедоступный набор данных Kaggle. В результате были разработаны веб-приложение и модель, которые показали высокую эффективность: точность (accuracy) 0.9992 и точность предсказаний (precision) 0.8289.