IBM Safer Payments 6.8: Modeling (6A830G)

Podnikové systémy
Strojově přeloženo

Přehled

IBM Safer Payments je inovativní řešení pro prevenci a detekci podvodů při platbách v reálném čase pro všechny typy bezhotovostních plateb. IBM Safer Payments poskytuje nejen možnosti modelování založené na vestavěných nástrojích, ale také možnost importu externě vytvořených modelů podvodů pro rozhodování v reálném čase.

V tomto kurzu jsou podrobně představeny všechny možnosti modelování IBM Safer Payments. Jsou pokryty následující koncepty modelování: index, techniky profilování (s IBM Safer Payments je podnikové řešení pro detekci podvodů. Je navrženo a zaměřeno na zpracování platebních transakcí v reálném čase. Safer Payments poskytuje komplexní a dynamické vytváření, vyhodnocování a provádění pravidel. Vytvořeno s ohledem na výkon v reálném čase, správu a redundanci.i bez indexové sekvence), komponenty modelu tvořené sadami pravidel, PMML, Python a Internal Random Forest, prvky simulačního prostředí včetně generování pravidel a Internal Random Forest, jakož i techniky vzorkování. Všechny tyto koncepty budou doplněny praktickými cvičeními, která mají studenti vykonat.

Cílová skupina

Analytici podvodů, správci aplikací a systémů, IBM Lab Services, IBM Support, technický předprodej a obchodní partneři IBM

Předpoklady

  • Znalost navigace v příkazovém řádku Unix a konfiguračních operací
  • Základní znalost statistických modelů
  • Znalosti v oblasti prevence podvodů při bezhotovostních platbách

Cíl

Viz přehled kurzu.

Osnova kurzu

Den 1: Přístupy k modelování a profilování

  • Datový slovník Safer Payments
  • Přístup k modelování (interní a externí modelování)
  • Zkoumání indexů se sekvencemi a bez sekvencí
  • Profilování v Safer Payments pomocí indexu se sekvencí (Counter, Precedents, Pattern)
  • Profilování v Safer Payments pomocí indexu bez sekvence (Calendar, Events, Device Identification, Formulas)
  • Úvod do pravidel

Den 2: Pravidla a simulace

  • Úvod do pracovního postupu simulace
  • Techniky vzorkování
  • Analýza pravidel a výkonnost pravidel
  • Výkonnost pravidel a skórování pravidel

Den 3: Model Factory a externí modely

  • Interní možnosti modelování (generátor pravidel a Random Forest)
  • Export a import dat pro externí modelování
  • Python callouts
  • Import modelu PMML
  • Point of Compromise