أرغب في مشاركتكم ما أعتبره突破اً حقيقياً لـ AI التنبؤي. إنها الطريقة الأكثر استخدامًا – ومع ذلك بسيطة بشكل مدهش – لزيادة القيمة التي تحصل عليها من مشاريع التعلم الآلي الخاصة بك.
عادةً، عندما تقوم شركة بنشر نموذج AI التنبؤي، فإنه يدفع كل قرار بناءً على نتيجة النموذج الخام. على سبيل المثال، قد يخبرك النموذج أن هناك فرصة 30% أن تكون معاملة معينة احتيالية. لاتخاذ قرار، عادةً ما تقوم الشركات بـ مقارنة تلك الاحتمالية بعتبة ثابتة، مثل 50%، لتقرير ما إذا كان يجب حظر المعاملة.
لكن هنا هو التحول في النموذج: بدلاً من دفع القرارات بناءً على نتيجة النموذج الخام، يجب أن يقوم نشر النموذج الخاص بك بـ دفع كل قرار بناءً على القيمة المتوقعة.
تمثل هذه الممارسة النادرة جدًا “لا تتطلب تفكيرًا” بسيطًا، تقنيًا ومفهومًا. إليك كيف تعمل، باستخدام مثال ملموس للكشف عن احتيال بطاقات الدفع.
العيب في درجات المخاطر الخام
تخيل أنك تقوم بإجراء كشف عن الاحتيال لأحد البنوك. يوفر نموذجك التنبؤي درجة مخاطر (احتمالية) لكل معاملة فردية.
إذا كنت تعتمد فقط على مستوى المخاطر الخام لاتخاذ كل قرار، فإنك تعالج معاملة بقيمة 100 دولار تمامًا مثل معاملة بقيمة 5000 دولار. لكن معاملة احتيالية بقيمة 5000 دولار تكلف عملك أكثر بكثير من معاملة بقيمة 100 دولار. بالنسبة للمعاملات الأكبر، فإن العواقب السلبية للاحتيال غير المكتشف هي… أكبر. من ناحية أخرى، ومع ذلك، فإن تكلفة “الإيجابية الخاطئة” – حظر معاملة مشروعة وإزعاج العميل – عادةً لا تزيد بنفس المعدل الحاد، حتى بالنسبة للمشتريات الكبيرة. لمستوى مخاطرة معين (نتيجة النموذج التنبؤي)، يمكن أن تفوق الفوائد بسرعة العواقب السلبية عند اتخاذ القرار بشأن حظر معاملة ذات قيمة أعلى.
لأخذ ذلك في الحسبان، تستخدم العديد من البنوك والشركات حاليًا قواعد أعمال غير مرنة “إذا-ثم”، تضبط thresholds مختلفة للمخاطر بناءً على أحجام المعاملات المختلفة. قد يقولون، “إذا كانت المعاملة تتجاوز 1000 دولار، فإننا نخفض تحملنا للمخاطر.” ومع ذلك، فإن هذه القواعد متقطعة ومرنة. فهي تتعامل مع جميع المعاملات ضمن نطاق واسع محتمل بنفس الطريقة، لذا فإنها لا تعزز “لعبة الأرقام” الخاصة بالكشف عن الاحتيال.
الحل: اتخاذ القرارات بناءً على القيمة المتوقعة
لزيادة النتيجة النهائية، نحتاج إلى نهج سلس ومستمر. بدلاً من استخدام قواعد صارمة، نقوم ببساطة ببعض العمليات الرياضية البسيطة قبل تطبيق عتبة القرار.
الخطوة 1: استخدم نموذج التعلم الآلي الخاص بك لحساب احتمالية الاحتيال.
الخطوة 2: ضرب تلك الاحتمالية بحجم المعاملة.
تمنحك هذه المضاعفة البسيطة القيمة المتوقعة – التي، في هذا السياق، هي المبلغ المتوقع من المال الذي ستوفره من خلال حظر المعاملة.
دعنا نلقي نظرة على الحساب كمثال:
- المعاملة A: يقول النموذج إن هناك فرصة 20% (0.2) أن تكون المعاملة احتيالية. المعاملة بقيمة 100 دولار. اضرب 0.2 في 100 دولار وستكون القيمة المتوقعة لحظر هذه المعاملة 20 دولارًا.
- المعاملة B: يقول النموذج إنه توجد فقط فرصة 5% (0.05) لاحتيال. المعاملة بقيمة 5000 دولار. اضرب 0.05 في 5000 دولار وستكون القيمة المتوقعة لحظر هذه المعاملة 250 دولارًا.
الخطوة 3: بدلاً من تحديد العتبة بناءً على النسبة المئوية الخام (احتمالية المخاطر probability)، قم برسم عتبة قرار بناءً على القيمة النقدية المتوقعة.
إذا كنت تحدد عتبة قرارك عند قيمة متوقعة قدرها 15 دولارًا، فستقوم بحظر كلا المعاملتين أعلاه. على الرغم من أن المعاملة B تعتبر “منخفضة المخاطر” بنسبة 5% فقط، فإن الحجم الكبير للمعاملة يعني أنه يجب أن ينخفض تحملك للمخاطر. دفع قرارك بناءً على القيمة المتوقعة البالغة 250 دولارًا يلتقط ذلك بشكل مثالي.
تصوير تأثير النتيجة النهائية
لفهم السبب في أن هذا يمثل فوزًا ضخمًا لعملك، نحتاج للنظر في منحنى الربح (أو، بطريقة مشابهة، منحنى التوفير).
في نشر قياسي يعتمد فقط على نتيجة نموذج المخاطر، تتقدم أولوية المعاملات من اليسار إلى اليمين بناءً على فرصة أن تكون هذه المعاملات احتيالية. يرتفع المنحنى كلما قمت بحظر المعاملات الأكثر خطورة وتوفير المال، وفي النهاية الوصول إلى القمة. بعد القمة، ينخفض المنحنى لأنه يبدأ حظر عدد كبير من المعاملات المشروعة وتكلفة الإيجابيات الخاطئة (إزعاج العملاء) تؤثر على مدخراتك.
يبدو أن ذلك المنحنى جيد جدًا. يصل إلى أكثر من 20 مليون دولار. ولكن ماذا يحدث عندما نعيد ترتيب الحالات ونعطي الأولوية لها بناءً على القيمة المتوقعة بدلاً من ذلك؟
إريك سيجل
يا لها من اختلاف! عندما تنتقل إلى نهج القيمة المتوقعة، يحدث شيئان مذهلان على هذا الرسم البياني:
- القمة أعلى: تحقق مدخرات قصوى أعلى مما كنت ستتمكن من تحقيقه من خلال اتخاذ القرارات بناءً فقط على نتيجة النموذج الخام.
- القمة تتحرك يسارًا: هذه هي أفضل الأخبار على الإطلاق. يعني أنك تصل إلى تلك المدخرات القصوى الكبيرة بينما تحظر عددًا أقل من المعاملات.
من خلال إعطاء الأولوية بشكل أكبر للمعاملات الكبيرة، لا تحتاج إلى تعطيل التجارة كثيرًا لتحقيق أقصى استفادة من المدخرات. تحتاج فقط إلى حظر عدد قليل من المعاملات على أقصى اليسار، تلك التي تستحق المزيد من التدخل.
ما وراء كشف الاحتيال
هذه المنهجية ليست مخصصة فقط للكشف عن احتيال بطاقات الائتمان؛ يمكن أن تعزز مجموعة متنوعة من المشاريع المتعلقة بـ AI التنبؤي حيث تختلف شدة الحالات.
على سبيل المثال، في جمع التبرعات للمنظمات غير الربحية، يمكنك ضرب احتمال تبرع المتبرع بقدرتهم التقديرية على الثروة لتحديد من يتلقى حملة توعوية مكلفة. وقد ثبت أيضًا أن نهج القيمة المتوقعة يحسن بشكل كبير اتخاذ القرارات لنمذجة الاحتفاظ، واستهداف التحصيلات، وتقييم الائتمان.
هذا النهج له تأثير كبير وبسيط كما هو نادر. أعني، إنني لم أسمع أسلافًا آخرين في الصناعة يطرحون الفكرة حتى! والمهنيون الكبار الذين عرضت عليهم الفكرة استجابوا بقولهم: “أوه نعم! فكرة رائعة! سأضطر لتجربتها.”
لذا خذ لحظة للنظر في مبادرات AI التنبؤية الحالية لديك. من خلال اتخاذ هذه الخطوة البسيطة – الانتقال من احتمالات النموذج الخالصة إلى القيمة النقدية المقدرة – فإنك تقف لتعظيم عائدات نشرات نموذج التعلم الآلي الخاصة بك.
لمشاهدة فيديو على يوتيوب يوضحني أشرح هذا النهج بمزيد من التفصيل، انقر هنا.
