Обнаружение мошенничества с помощью алгоритмов ИИ

Логотип компании
Обнаружение мошенничества с помощью алгоритмов ИИ
Кейс компании, где разработали систему видеоаналитики, которая предназначена для обнаружения и предотвращения фактов воровства на кассах самообслуживания в магазинах.

Когда говорят про использование ИИ для обнаружения мошенничества, то чаще всего вспоминается деятельность финансовых организаций. Здесь поле для «творчества» действительно очень широкое - от оценки потенциального фрода при выдаче кредита и поиска подозрительных операций по карте, до борьбы с отмыванием денежных средств и оценке аномалий по операциям юридических лиц. Да и в целом, финансовые организации были одними из первых, кто внедрял технологии машинного обучения подраздел ИИ), так как эти организации всегда обладали большими данными, на которых и строится весь искусственный интеллект.

Но в этой статье хочется немного сломать шаблон и поговорить про другой раздел ИИ – видеоаналитику, также называемую машинным/компьютерным зрением. Все мы видели в фильмах (а некоторые и вживую) большие стены из мониторов, в которые смотрят серьезные люди из охраны безопасности того или иного заведения. И при этом вспоминаются слова из известной песни группы «Секрет»: «Пора бы фотоэлементом заменить этих парней». Понятно, что полностью заменить мы их не сможем, но предоставить современные разработки им в помощь, как минимум стоит попробовать.

Чтобы более детально раскрыть применимость алгоритмов машинного зрения для обнаружения мошенничества, приведу пример из реального кейса нашей компании, где мы разработали систему видеоаналитики, которая предназначена для обнаружения и предотвращения фактов воровства на кассах самообслуживания в магазинах.

Сразу хочу обозначить несколько выводов, которые, как мне кажется, достаточно универсальны для любой системы выявления аномалий в поведении людей и конкретно при помощи видеоаналитики:

  1. Видеоаналитика - это система поддержки принятия решений. То есть – это обнаружение, а не предотвращение.

  2. Реальность всегда сложнее и многообразнее, чем можно придумать. Серебряной пули, которая закроет все сценарии поведения людей (как нормальные, так и аномальные) – нет.

  3. Но тем не менее она работает и существенно повышает эффективность работы людей.

А теперь разберем, что подразумевалось под этими словами.

Видеоаналитика – система поддержки принятия решений

Главное, что стоит здесь понимать, что машинное зрение позволяет обнаружить подозрение на аномалию  - в нашем случае факт воровства. А далее для предотвращения используются люди. И поскольку система ИИ, это не более чем маркер, так как в конечном счете все сводиться к работе людей с людьми, то надо быть очень внимательным и аккуратным с проработкой сценариев взаимодействия охраны с посетителями.

Например, в нашем проекте мы потратили не один месяц на проработки различных клиентских путей, зависящих от разных факторов. Это очень помогло при запуске и обучении сотрудников. Однако невозможно учесть все сценарии в работе с людьми и поэтому что-то дорабатывается «на ходу» в ходе проекта.

Серебряные пули сегодня не подвезли

То, что серебряной пули не получится, мы понимали и поэтому не питали иллюзий, что сможем сразу поймать все варианты аномального поведения клиентов. Когда система была запущена в реальную жизнь, то она показала, что реальность отличается даже от ожиданий самого Заказчика, вместе с которым мы старались учесть все нюансы поведения людей. И тут мы в очередной получили подтверждение, что система видеоаналитики – это поддержка принятия решения.

Дело в том, что найти аномалию в поведении клиента система может и делает это с достаточно хорошей точностью. Например, она может найти непробитую в чеке бутылку воды в руках клиента (корзинке, рюкзаке, тележке и т.д.), но только человек в процессе проверки может понять – это бутылка, принесенная с собой или взятая с ближайшей полки. Хотя будем реалистами – даже человек не всегда может это сходу понять, а еще точнее – не всегда захочет тратить время на выяснение деталей.

Но стоит понимать – система не безгрешна, случаются и ложные срабатывания, поэтому очень важно проработать логику взаимодействия Система-Охрана-Клиент, чтобы не просто «хватать и не отпускать», а аккуратно работать с клиентом, отделяя мошенников от обычных клиентов. Так как существенная часть всех реальных фактов воровства на КСО в действительности объясняются забывчивостью покупателей или тем, что их отвлекали в процессе. Все это в очередной раз подтверждает важность аккуратной работы с клиентом, чтобы он не отвернулся от касс самообслуживания в частности и конкретного магазина в общем.

И все-таки она вертится

И пройдя через все эти сложности запуска, проанализировав тысячи видеороликов, выявленных системой аномалий, построив клиентские пути максимально дипломатично и аккуратно, неоднократно проинструктировав всех участвующих в процессе ассистентов и охранников, мы можем констатировать, что видеоаналитика может хорошо ловить аномалии в поведении клиентов и обнаруживать мошенников. Конечно же, пока не всех мошенников и к сожалению (а может к счастью) не все выявленные аномалии поведения являются мошенничеством, хотя часто выглядят таким образом со стороны. Но тем не менее система работает и помогает ловить воров пока еще только в нескольких магазинах одной известной сети ретейла.

Очевидно, что впереди еще долгий путь доработок системы, направленных на улучшение точности моделей, минимизацию ложных срабатываний, исключение каких-то видов аномалий, добавление новых сценариев воровства и многое другое, что входит в стандартный процесс развития любого ИИ-продукта. Но полученный опыт в очередной раз подтвердил, что уровень зрелости технологий компьютерного зрения позволяет использовать их для обнаружения аномалий человеческого поведения. Но при этом надо не забывать, что человек - не машина и не всегда аномалии его поведения можно трактовать однозначно, поэтому человека пока еще должен проверять другой человек.


Опубликовано 21.08.2023

Похожие статьи