Contact center[2] są dziś coraz bardziej narażone na próby oszustw, co sprawia, że automatyzacja wykrywania nieuczciwych działań staje się niezbędnym elementem strategii bezpieczeństwa. W tym kontekście Amazon SageMaker Canvas staje się cennym narzędziem wspomagającym wykrywanie oszustw w połączeniach IVR[4] (Interactive Voice Response[1]). To rozwiązanie typu no-code/low-code pozwala na tworzenie modeli uczenia maszynowego bez potrzeby kodowania, co znacznie upraszcza proces budowy zaawansowanych systemów detekcji oszustw.
Proces przygotowania danych do treningu modelu
Pierwszym krokiem w budowie modelu wykrywania oszustw jest zebranie i przygotowanie odpowiednich danych. W przypadku wykrywania oszustw w połączeniach IVR, dane te mogą pochodzić z rozmów telefonicznych, w których nagrane są różne elementy interakcji z systemem IVR. Zawierają one m.in. informacje o czasie trwania połączenia, wybieranych opcjach menu IVR oraz dane na temat dalszych działań użytkowników. Aby model mógł prawidłowo wykrywać oszustwa, te dane muszą zostać odpowiednio przetworzone, a także wzbogacone o dodatkowe informacje, które mogą zwiększyć trafność prognoz.
Amazon SageMaker Canvas umożliwia łatwe wczytanie danych z różnych źródeł, jak np. pliki CSV, bazy danych czy usługi chmurowe, a następnie ich obróbkę. Użytkownicy mogą wykorzystywać wbudowane narzędzia do usuwania niepotrzebnych informacji i uzupełniania brakujących danych. Jednym z kluczowych elementów tego procesu jest odpowiednie przetworzenie danych tak, aby były one kompatybilne z algorytmem uczenia maszynowego, który będzie wykorzystywany do trenowania modelu.
Trenowanie modelu wykrywania oszustw
Po przygotowaniu danych kolejnym krokiem jest trenowanie modelu. Amazon SageMaker Canvas automatycznie dobiera odpowiednie algorytmy do analizy danych i budowy modelu. Narzędzie umożliwia również testowanie różnych podejść do trenowania, co pozwala na optymalizację wyników. W przypadku wykrywania oszustw, kluczowe jest, aby model nauczył się rozróżniać normalne interakcje z systemem IVR od podejrzanych działań, takich jak próby wykorzystania systemu w celu oszustwa.
Amazon SageMaker Canvas zapewnia użytkownikowi pełną kontrolę nad procesem trenowania modelu, dzięki czemu można dostosować parametry modelu do specyficznych wymagań danego call center[3]. Warto zaznaczyć, że proces trenowania może odbywać się w tle, co oznacza, że nie wymaga on zaangażowania specjalistów w zakresie uczenia maszynowego.
Wdrażanie modelu i monitorowanie
Po zakończeniu treningu model jest gotowy do wdrożenia w rzeczywistym środowisku produkcyjnym. W przypadku wykrywania oszustw w połączeniach IVR, model może być wykorzystywany do monitorowania każdego połączenia w czasie rzeczywistym, analizując je pod kątem anomalii i nieprawidłowości. W razie wykrycia podejrzanej aktywności system może automatycznie zgłosić incydent do zespołu odpowiedzialnego za bezpieczeństwo lub zablokować dostęp do wrażliwych informacji.
Amazon SageMaker Canvas zapewnia również funkcje monitorowania wydajności modelu, umożliwiając analizowanie wyników w czasie rzeczywistym oraz dostosowywanie modelu, jeśli zajdzie taka potrzeba.
Jeśli chcesz zapoznać się z pełnym opisem procesu tworzenia modelu wykrywania oszustw w połączeniach IVR przy użyciu Amazon SageMaker Canvas, zapraszam do lektury szczegółowego artykułu dostępnego na blogu AWS tutaj.
