DE112020005484T5 - Intelligenter agent zum simulieren von kundendaten - Google Patents

Intelligenter agent zum simulieren von kundendaten Download PDF

Info

Publication number
DE112020005484T5
DE112020005484T5 DE112020005484.5T DE112020005484T DE112020005484T5 DE 112020005484 T5 DE112020005484 T5 DE 112020005484T5 DE 112020005484 T DE112020005484 T DE 112020005484T DE 112020005484 T5 DE112020005484 T5 DE 112020005484T5
Authority
DE
Germany
Prior art keywords
transaction
customer
action
data
processor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE112020005484.5T
Other languages
English (en)
Inventor
Brandon Harris
Eugene Irving Kelton
Chaz Vollmer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from US16/674,464 external-priority patent/US11461728B2/en
Priority claimed from US16/674,457 external-priority patent/US11676218B2/en
Application filed by International Business Machines Corp filed Critical International Business Machines Corp
Publication of DE112020005484T5 publication Critical patent/DE112020005484T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00Commerce
    • G06Q30/02Marketing; Price estimation or determination; Fundraising
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/02Banking, e.g. interest calculation or account maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Technology Law (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Ausführungsformen können ein auf einem Computer ausgeführtes Verfahren zum Simulieren von Transaktionsdaten unter Verwendung eines Modells des Verstärkungslernens bereitstellen, das Verfahren aufweisend: Erstellen eines künstlichen Kundenprofils durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten als Ziel, die eine Gruppe von echten Kunden verkörpern, die ähnliche Transaktionseigenschaften aufweisen; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie durch die Richtlinien-Steuerkomponente auf der Grundlage der Rückmeldung; wobei der Schritt des Durchführens einer Aktion bis zum Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der Aktion, um simulierte Kundendaten zu bilden.

Description

  • TECHNISCHES GEBIET
  • Die vorliegende Erfindung betrifft allgemein ein kognitives System, das einen Transaktionsdatensimulator umsetzt, und insbesondere ein Umsetzen eines Transaktionsdatensimulators, der so konfiguriert ist, dass er von einem Finanzinstitut, z.B. einer Bank, bereitgestellte Transaktionsdaten simuliert.
  • HINTERGRUND
  • Ein System zur Erkennung von Finanzdelikten, z.B. das System IBM® Financial Crimes Alerts Insight mit IBM Watson®, kann kognitive Analysen einsetzen, um Banken dabei zu helfen, Geldwäsche und Terrorismusfinanzierung zu erkennen. Die kognitiven Analysen unterscheiden „normale“ finanzielle Aktivitäten von „verdächtigen“ Aktivitäten und verwenden die Unterscheidungsinformationen zum Aufbauen eines Vorhersagemodells für Banken. Für das Trainieren des Vorhersagemodells ist ein großer Satz echter Finanzkundendaten erforderlich.
  • Da die echten Kundendaten sehr sensibel sind, kann lediglich eine begrenzte Anzahl von echten Kundendaten von Banken bereitgestellt werden. Um jedoch betrügerische Situationen bestmöglich zu simulieren und verschiedene Arten von Finanzdelikten zu erkennen, könnten mehr simulierte Kundendaten, z.B. realistisch aussehende Transaktionsdaten zum Trainieren, ein besseres Vorhersagemodell ergeben. IBM und IBM Watson sind Marken von International Business Machines Corporation, die in vielen Jurisdiktionen weltweit eingetragen sind. Folglich gibt es nach dem Stand der Technik den Bedarf, sich dem oben genannten Problem zu widmen.
  • KURZDARSTELLUNG
  • Gemäß einem ersten Aspekt stellt die vorliegende Erfindung ein auf einem Computer ausgeführtes Verfahren in einem Datenverarbeitungssystem bereit, das einen Prozessor und einen Speicher aufweist, der Anweisungen aufweist, die von dem Prozessor ausgeführt werden, um den Prozessor zu veranlassen, das Verfahren zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung enthält, umzusetzen, wobei das Verfahren Folgendes aufweist: Erstellen eines künstlichen Kundenprofils durch den Prozessor durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten durch den Prozessor als Ziel, die eine Gruppe von echten Kunden verkörpern, die ähnliche Transaktionseigenschaften aufweisen; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie durch die Richtlinien-Steuerkomponente auf der Grundlage der Rückmeldung; wobei der Schritt des Durchführens einer Aktion bis zum Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion durch den Prozessor, um simulierte Kundendaten zu bilden.
  • Gemäß einem ersten Aspekt stellt die vorliegende Erfindung ein auf einem Computer ausgeführtes Verfahren in einem Datenverarbeitungssystem bereit, das einen Prozessor und einen Speicher aufweist, der Anweisungen aufweist, die von dem Prozessor ausgeführt werden, um den Prozessor zu veranlassen, das Verfahren zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung aufweist, umzusetzen, wobei das Verfahren Folgendes aufweist: Erstellen eines künstlichen Kundenprofils durch den Prozessor durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten durch den Prozessor als Ziel, die eine Gruppe von echten Kunden verkörpern, die ähnliche Transaktionseigenschaften aufweisen; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie durch die Richtlinien-Steuerkomponente auf der Grundlage der Rückmeldung; wobei der Schritt des Durchführens einer Aktion bis zum Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion durch den Prozessor, um simulierte Kundendaten zu bilden.
  • Gemäß einem ersten Aspekt stellt die vorliegende Erfindung ein auf einem Computer ausgeführtes Verfahren in einem Datenverarbeitungssystem bereit, das einen Prozessor und einen Speicher aufweist, der Anweisungen aufweist, die von dem Prozessor ausgeführt werden, um den Prozessor zu veranlassen, das Verfahren zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung enthält, umzusetzen, wobei das Verfahren Folgendes aufweist: Erstellen eines künstlichen Kundenprofils durch den Prozessor durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten durch den Prozessor als Ziel, die eine Gruppe von echten Kunden verkörpern, die ähnliche Transaktionseigenschaften aufweisen; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie durch die Richtlinien-Steuerkomponente auf der Grundlage der Rückmeldung; wobei der Schritt des Durchführens einer Aktion bis zum Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion durch den Prozessor, um simulierte Kundendaten zu bilden.
  • Gemäß einem weiteren Aspekt stellt die vorliegende Erfindung ein Computerprogrammprodukt zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens bereit, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung aufweist, wobei das Computerprogrammprodukt ein durch einen Computer lesbares Speichermedium mit darin enthaltenen Programmanweisungen aufweist, wobei die Programmanweisungen durch einen Prozessor ausführbar sind, um den Prozessor zu veranlassen zum: Erstellen eines künstlichen Kundenprofils durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten als Ziel, die eine Gruppe von Kunden verkörpern, die ähnliche Transaktionseigenschaften aufweisen; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie durch die Richtlinien-Steuerkomponente auf der Grundlage der Rückmeldung; wobei der Schritt des Durchführens einer Aktion bis zum Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion, um simulierte Kundendaten zu bilden.
  • Gemäß einem weiteren Aspekt stellt die vorliegende Erfindung ein System zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens bereit, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung aufweist, wobei das System Folgendes aufweist: einen Prozessor, der konfiguriert ist zum: Erstellen eines künstlichen Kundenprofils durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten als Ziel, die eine Gruppe von Kunden verkörpern, die ähnliche Transaktionseigenschaften aufweisen; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie durch die Richtlinien-Steuerkomponente auf der Grundlage der Rückmeldung; wobei der Schritt des Durchführens einer Aktion bis zum Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion, um simulierte Kundendaten zu bilden.
  • Gemäß einem weiteren Aspekt stellt die vorliegende Erfindung ein Computerprogrammprodukt zum Simulieren von Transaktionsdaten bereit, wobei das Computerprogrammprodukt ein durch einen Computer lesbares Speichermedium aufweist, das durch einen Verarbeitungsschaltkreis gelesen werden kann und auf dem Befehle zur Ausführung durch den Verarbeitungsschaltkreis gespeichert sind, um ein Verfahren zum Durchführen der Schritte der Erfindung durchzuführen.
  • Gemäß einem weiteren Aspekt stellt die vorliegende Erfindung ein auf einem durch einen Computer lesbaren Medium gespeichertes Computerprogramm bereit, das in den internen Speicher eines digitalen Computers ladbar ist und Software-Code-Abschnitte zum Durchführen der Schritte des Verfahrens, wenn das Programm auf einem Computer ausgeführt wird, aufweist.
  • Ausführungsformen stellen ein auf einem Computer ausgeführtes Verfahren in einem Datenverarbeitungssystem bereit, das einen Prozessor und einen Speicher aufweist, der Anweisungen aufweist, die von dem Prozessor ausgeführt werden, um den Prozessor zu veranlassen, das Verfahren zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens umzusetzen, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung aufweist. Das Verfahren aufweisend: Erstellen eines künstlichen Kundenprofils durch den Prozessor durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten durch den Prozessor als Ziel, die eine Gruppe von echten Kunden verkörpern, die ähnliche Transaktionseigenschaften aufweisen; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie durch die Richtlinien-Steuerkomponente auf der Grundlage der Rückmeldung; wobei der Schritt des Durchführens einer Aktion bis zum Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion durch den Prozessor, um simulierte Kundendaten zu bilden.
  • Ausführungsformen stellen darüber hinaus ein auf einem Computer ausgeführtes Verfahren bereit, wobei die echten Kundenprofildaten eine Adresse eines Kunden, einen Namen eines Kunden, Kontaktinformationen, Kreditinformationen und/oder Einkommensinformationen aufweisen.
  • Ausführungsformen stellen darüber hinaus ein auf einem Computer ausgeführtes Verfahren bereit, wobei jede simulierte Transaktion eine Transaktionsart, einen Transaktionsbetrag, eine Transaktionszeit, einen Transaktionsort, ein Transaktionsmedium und eine zweite, der simulierten Transaktion zugehörige Partei aufweist.
  • Ausführungsformen stellen darüber hinaus ein auf einem Computer ausgeführtes Verfahren bereit, wobei die Umgebung einen Satz von sämtlichen vorhergehenden Aktionen aufweist, die von dem intelligenten Agenten durchgeführt wurden.
  • Ausführungsformen stellen darüber hinaus ein auf einem Computer ausgeführtes Verfahren bereit, das darüber hinaus Folgendes aufweist: Entfernen einer Mehrzahl von vorhergehenden Aktionen durch den Prozessor, deren Ähnlichkeitsgrad unter einem zweiten im Voraus definierten Schwellenwert liegt.
  • Ausführungsformen stellen darüber hinaus ein auf einem Computer ausgeführtes Verfahren bereit, das darüber hinaus Folgendes aufweist: Erfassen der Standardkunden-Transaktionsdaten aus Kundentransaktionsrohdaten durch den Prozessor mittels eines unüberwachten Clustering-Ansatzes.
  • Ausführungsformen stellen darüber hinaus ein auf einem Computer ausgeführtes Verfahren bereit, bei dem die Rückmeldung eine Belohnung oder eine Strafe ist.
  • In einer anderen veranschaulichenden Ausführungsform wird ein Computerprogrammprodukt bereitgestellt, das ein durch einen Computer verwendbares oder lesbares Medium aufweist, auf dem ein durch einen Computer lesbares Programm enthalten ist. Das durch einen Computer lesbare Programm veranlasst bei Ausführung auf einem Prozessor den Prozessor dazu, verschiedene der oben in Bezug auf die veranschaulichende Ausführungsform des Verfahrens umrissenen Arbeitsschritte und Kombinationen daraus durchzuführen.
  • In noch einer anderen veranschaulichenden Ausführungsform wird ein System bereitgestellt. Das System kann einen Trainingsdaten sammelnden Prozessor aufweisen, der so konfiguriert ist, dass er verschiedene der Arbeitsschritte und Kombinationen der Arbeitsschritte durchführt, die oben in Bezug auf die veranschaulichende Ausführungsform des Verfahrens beschrieben wurden.
  • Zusätzliche Merkmale und Vorteile dieser Offenbarung werden aus der folgenden detaillierten Beschreibung von veranschaulichenden Ausführungsformen ersichtlich, die unter Bezugnahme auf die beigefügten Zeichnungen erfolgt.
  • Figurenliste
  • Die vorstehenden und andere Aspekte der vorliegenden Erfindung werden am besten durch die folgende ausführliche Beschreibung verständlich, wenn sie in Verbindung mit den beigefügten Zeichnungen gelesen wird. Zum Zwecke des Veranschaulichens der Erfindung sind in den Zeichnungen Ausführungsformen gezeigt, die gegenwärtig bevorzugt sind, wobei jedoch klar ist, dass die Erfindung allerdings nicht auf die offenbarten spezifischen Mittel beschränkt ist. Die Zeichnungen weisen die folgenden Figuren auf:
    • 1 zeigt eine schematische Darstellung einer veranschaulichenden Ausführungsform eines kognitiven Systems 100, das einen Transaktionsdatensimulator in einem Computernetzwerk umsetzt.
    • 2 zeigt eine schematische Darstellung einer veranschaulichenden Ausführungsform des Transaktionsdatensimulators 110.
    • 3 zeigt eine schematische Darstellung, die eine Mehrzahl von simulierten Transaktionen eines simulierten Kunden gemäß Ausführungsformen hierin darstellt.
    • 4 veranschaulicht einen Ablaufplan einer veranschaulichenden Ausführungsform eines Verfahrens 400 zum Simulieren von Kundendaten; und
    • 5 ist ein Blockschaltbild eines beispielhaften Datenverarbeitungssystems 500, in dem Aspekte der veranschaulichenden Ausführungsformen umgesetzt werden können.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Im Überblick handelt es sich bei einem kognitiven System um ein spezialisiertes Computersystem oder einen Satz von Computersystemen, die mit Hardware- und/oder Software-Logik (in Kombination mit Hardware-Logik, auf der die Software ausgeführt wird) konfiguriert sind, um menschliche kognitive Funktionen zu emulieren. Diese kognitiven Systeme wenden menschenähnliche Eigenschaften an, um Ideen zu vermitteln und handzuhaben, die, wenn sie mit den natürlichen Stärken von digitaler Datenverarbeitung kombiniert werden, Probleme mit hoher Genauigkeit und Resilienz in großem Maßstab lösen können. IBM Watson® ist ein Beispiel für ein derartiges kognitives System, das durch einen Menschen lesbare Sprache verarbeiten und Schlussfolgerungen zwischen Textstellen mit einer menschenähnlichen Genauigkeit erkennen kann, und zwar mit Geschwindigkeiten, die weitaus schneller sind als beim Menschen und in einem viel größeren Maßstab. Im Allgemeinen sind derartige kognitive Systeme in der Lage, die folgenden Funktionen durchzuführen;
    Erkunden der Komplexitäten der menschlichen Sprache und des menschlichen Verstehens
    Aufnehmen und Verarbeiten großer Mengen von strukturierten und unstrukturierten Daten
    Erstellen und Auswerten von Hypothesen
    Gewichten und Auswerten von Rückmeldungen, die nur auf relevanten Belegen beruhen
    Bereitstellen von situationsspezifischen Ratschlägen, Einsichten und Richtlinien
    Verbessern der Kenntnisse und Lernen mit jeder Wiederholung und Interaktion durch maschinelle Lernprozesse
    Ermöglichen der Entscheidungsfindung am Wirkungspunkt (kontextbezogene Richtlinien)
    Skalieren im Verhältnis zu der Aufgabe
    Erweitern und Vergrößern von menschlichem Fachwissen und menschlicher Wahrnehmung
    Erkennen von mitschwingenden, menschenähnlichen Eigenschaften und Merkmalen aus der natürlichen Sprache
    Ableiten von verschiedenen sprachspezifischen oder agnostischen Attributen aus der natürlichen Sprache
    Hohes Maß an relevanter Erinnerung aus Datenpunkten (Bilder, Text, Stimme) (Merken und Erinnern)
    Vorhersagen und Wahrnehmen mit Situationsbewusstsein, wodurch die menschliche Wahrnehmung beruhend auf Erfahrungen nachgeahmt wird
    Beantworten von Fragen beruhend auf natürlicher Sprache und konkreten Belegen
  • In einem Aspekt kann das kognitive System mit einem Transaktionsdatensimulator erweitert werden, um einen Satz von Kundentransaktionsdaten von einem Finanzinstitut, z.B. einer Bank, zu simulieren. Selbst wenn die simulierten Kundentransaktionsdaten keine „tatsächlichen“ Kundentransaktionsdaten des Finanzinstituts sind, können sie zum Trainieren des Vorhersagemodells zum Erkennen von Finanzdelikten verwendet werden.
  • Der Transaktionsdatensimulator kombiniert einen mehrschichtigen, unüberwachten Clustering-Ansatz mit einem Modell des interaktiven Verstärkungslernens (IRL, interactive reinforcement learning), um einen großen Satz von intelligenten Agenten zu erzeugen, die gelernt haben, sich wie „Standardkunden“ zu verhalten.
  • In einer Ausführungsform erzeugt der mehrschichtige unüberwachte Clustering-Ansatz einen großen Satz von Standardkunden-Transaktionsverhalten (extrahiert aus echten Kundentransaktionsdaten, die von einer Bank bereitgestellt werden) unter Verwendung von Informationen, die Hunderte von Attributen von „Standardkunden“ über unterschiedliche Zeiträume umfassen. Jedes Standardkunden-Transaktionsverhalten kann einer Gruppe von Kunden mit ähnlichen Transaktionseigenschaften zugewiesen sein. Ein intelligenter Agent erstellt ein künstliches Kundenprofil und wählt eines der Standardkunden-Transaktionsverhalten aus, das mit dem erstellten künstlichen Kundenprofil kombiniert werden soll. Auf diese Weise kann der intelligente Agent einen „Standardkunden“ simulieren und lernen, sich wie der „Standardkunde“ zu verhalten. Dem intelligenten Agenten wird dann ein Zeitraum (z.B. zehn Jahre) bereitgestellt, in dem der intelligente Agent eine Umgebung (z.B. frühere Verhalten des dargestellten „Standardkunden“) beobachten und lernen kann, „unechte“ Kundentransaktionen durchzuführen, die einem Standardkunden-Transaktionsverhalten des dargestellten „Standardkunden“ ähnlich sind. Bei jedem Faktor des Standardkunden-Transaktionsverhaltens kann es sich um statistische Daten handeln. Zum Beispiel kann es sich bei dem Transaktionsbetrag des Standardkunden-Transaktionsverhaltens um einen Bereich von Werten handeln, z.B. beträgt der Transaktionsbetrag des Standardkunden-Transaktionsverhaltens 20 $ bis 3.000 $. Der Transaktionsort des Standardkunden-Transaktionsverhaltens kann statistisch bereitgestellt werden, z.B. handelt es sich bei 30% der Transaktionsorte um Einkaufszentren, bei 50% der Transaktionsorte handelt es sich um Restaurants, und bei 20% der Transaktionsorte handelt es sich um Tankstellen. Die Transaktionsart des Standardkunden-Transaktionsverhaltens kann statistisch bereitgestellt werden, z.B. handelt es sich bei 20% der Transaktionsarten um Scheckzahlungen, bei 40% der Transaktionsarten handelt es sich um POS-Zahlungen, bei 25% der Transaktionsarten handelt es sich um Abhebungen an einem Geldautomaten, und bei 15% der Transaktionsarten handelt es sich um elektronische Überweisungen. Das Transaktionsmedium des Standardkunden-Transaktionsverhaltens kann statistisch bereitgestellt werden, z.B. handelt es sich bei 15% der Transaktionsmedien um Bargeld, bei 45% der Transaktionsmedien handelt es sich um Kreditkarten, bei 25% der Transaktionsmedien handelt es sich um Girokonten, und bei 15% der Transaktionsmedien handelt es sich um PayPal®.
  • In einer Ausführungsform wird aus einer Mehrzahl von echten Kundenprofildaten eine große Anzahl von künstlichen Kundenprofilen erstellt. Die echten Kundenprofildaten können von einer oder mehreren Banken bereitgestellt werden. Jedes echte Kundenprofil kann eine Adresse eines Kunden; einen Namen eines Kunden (bei dem Kunden kann es sich um eine juristische oder natürliche Person handeln); Kontaktinformationen wie zum Beispiel eine Telefonnummer, eine eMail-Adresse usw.; Kreditinformationen wie zum Beispiel eine Bonität, eine Kreditauskunft usw.; Einkommensinformationen (z.B. ein Jahreseinkommen einer juristischen Person oder einen Lohn einer natürlichen Person) und dergleichen umfassen. Die echten Kundenprofildaten werden unter verschiedenen Kategorien gespeichert. Zum Beispiel können gewerbliche Kunden (d.h. juristische Personen) auf der Grundlage der Größe, des Produkts oder der Dienstleistung der gewerblichen Kunden in verschiedene Kategorien eingeteilt werden. Ein künstliches Kundenprofil kann durch zufälliges Durchsuchen sämtlicher realer Kundenprofildaten erstellt werden. Zum Beispiel kann ein künstliches Kundenprofil erstellt werden, indem zufällig ausgewählte Informationen, darunter Adresse, Vorname, Nachname, Telefonnummer, eMail-Adresse, Bonität, Einkommen oder Lohn usw., kombiniert werden. Somit extrahiert das erstellte künstliche Kundenprofil verschiedene Informationen aus realen Kundenprofildaten und erscheint somit wie ein realistisches Kundenprofil. Darüber hinaus werden Finanztransaktionsdaten simuliert, die jedem künstlichen Kundenprofil zugewiesen sind. In einer Ausführungsform können die simulierten Kundentransaktionsdaten mit einem künstlichen Kundenprofil kombiniert werden, um simulierte Kundendaten zu bilden.
  • In einer Ausführungsform können zum Schützen der Privatsphäre echter Kunden zusammengesetzte Informationen wie zum Beispiel eine Adresse, ein Name usw., vor der zufälligen Auswahl in eine Mehrzahl von Teilen aufgeteilt werden. Zum Beispiel kann die Adresse „2471 George Wallace Street“ grammatisch in 3 Teile zergliedert werden: [Nummer] „2471“, [Name] „George Wallace“ und [Suffix] „Straße“. Diese Teile können zufällig einzeln ausgewählt werden, um ein künstliches Kundenprofil zu bilden. In einer weiteren Ausführungsform werden die zusammengesetzten Informationen eines künstlichen Kundenprofils wie zum Beispiel eine Adresse, ein Name usw. mit den zusammengesetzten Informationen eines echten Kundenprofils verglichen. Wenn der Ähnlichkeitsgrad über einem im Voraus definierten Schwellenwert liegt, ist das künstliche Kundenprofil nicht annehmbar und muss aktualisiert werden, bis der Ähnlichkeitsgrad unter den im Voraus definierten Schwellenwert fällt.
  • 1 zeigt eine schematische Darstellung einer veranschaulichenden Ausführungsform eines kognitiven Systems 100, das einen Transaktionsdatensimulator 110 in einem Computernetzwerk 102 umsetzt. Das kognitive System 100 ist auf einer oder mehreren Datenverarbeitungseinheiten 104 (die einen oder mehrere Prozessoren und einen oder mehrere Speicher sowie möglicherweise beliebige andere nach dem Stand der Technik allgemein bekannte Datenverarbeitungseinheiten-Elemente, darunter Busse, Speichereinheiten, Datenübertragungsschnittstellen und dergleichen, aufweisen) umgesetzt, die mit dem Computernetzwerk 102 verbunden sind. Das Computernetzwerk 102 umfasst mehrere Datenverarbeitungseinheiten 104, die über eine oder mehrere drahtgebundene und/oder drahtlose Datenübertragungsverbindungen miteinander und mit anderen Einheiten oder Komponenten Daten austauschen, wobei jede Datenübertragungsverbindung Drähte, Leitwegrechner, Vermittlungseinheiten, Sender und/oder Empfänger oder dergleichen aufweist. Andere Ausführungsformen des kognitiven Systems 100 können mit anderen Komponenten, Systemen, Teilsystemen und/oder Einheiten als den hierin abgebildeten verwendet werden. Das Computernetzwerk 102 umfasst in verschiedenen Ausführungsformen lokale Netzwerkverbindungen und ferne Verbindungen, so dass das kognitive System 100 in Umgebungen jeder beliebigen Größe arbeiten kann, darunter lokale und globale Umgebungen wie zum Beispiel das Internet. Das kognitive System 100 ist so konfiguriert, dass es den Transaktionsdatensimulator 110 umsetzt, der die Standardkunden-Transaktionsdaten 106 (d.h. ein Standardkunden-Transaktionsverhalten) simulieren kann. Der Transaktionsdatensimulator 110 kann auf der Grundlage der Standardkunden-Transaktionsdaten 106 einen großen Satz von simulierten Kundentransaktionsdaten 108 erstellen, so dass die simulierten Kundentransaktionsdaten 108 wie echte Kundentransaktionsdaten erscheinen. Die simulierten Kundentransaktionsdaten 108 werden dann mit einem zufällig ausgewählten künstlichen Kundenprofil 112 kombiniert, so dass vollständige simulierte Kundendaten 114 für einen simulierten Kunden erhalten werden.
  • In einer Ausführungsform werden die Standardkunden-Transaktionsdaten 106 durch einen unüberwachten Clustering-Ansatz erhalten. Kundenrohdaten, die eine große Menge an Kundentransaktionsdaten umfassen, werden von einer oder mehreren Banken bereitgestellt, und ein großer Satz von kleinen Gruppen, die verschiedene Merkmale von Bankkunden verkörpern, werden aus den Kundenrohdaten durch einen unüberwachten Clustering-Ansatz in Cluster zusammengefasst bzw. gruppiert. Jede kleine Gruppe umfasst Transaktionsdaten von Kunden mit ähnlichen Eigenschaften. Zum Beispiel verkörpert Gruppe A Kunden, die alleinstehende Anwälte sind und in New York Patentrecht praktizieren, während Gruppe B Kunden verkörpert, die verheiratete Anwälte sind und in New York Wirtschaftsrecht praktizieren.
  • 2 zeigt eine schematische Darstellung einer veranschaulichenden Ausführungsform des Transaktionsdatensimulators 110. Der Transaktionsdatensimulator 110 nutzt Techniken des Verstärkungslernens, um Finanztransaktionsdaten zu simulieren. Der Transaktionsdatensimulator 110 umfasst einen intelligenten Agenten 202 und eine Umgebung 204. Der intelligente Agent 202 wählt zufällig ein Standardtransaktionsverhalten 220 (d.h. ein Ziel 220) aus, das eine Gruppe von „Kunden“ mit ähnlichen Transaktionseigenschaften verkörpert, und weist das Standardtransaktionsverhalten einem zufällig ausgewählten künstlichen Kundenprofil 112 zu. Der intelligente Agent 202 führt in jedem Durchlauf eine Aktion 212 durch. In dieser Ausführungsform umfasst die in jedem Durchlauf durchgeführte Aktion 212 ein Durchführen einer Mehrzahl von Transaktionen an einem einzelnen Tag. Jede Transaktion verfügt über die Informationen, zu denen eine Transaktionsart (z.B. automatisierte Überweisung in einer Giroausgleichsstelle (ACH, Automated Clearing House), Scheckzahlung, elektronische Überweisung, Abhebung an einem Geldautomaten, POS- (Point of Sale-) Zahlung usw.); ein Transaktionsbetrag; eine Transaktionszeit; ein Transaktionsort; ein Transaktionsmedium (z.B. Bargeld, Kreditkarte, Debitkarte, PayPal®, Girokonto usw.); die zweite Partei, die mit der Transaktion in Zusammenhang steht (z.B. eine Person, welche die elektronisch überwiesene Zahlung empfängt), und dergleichen gehören. Die Umgebung 204 verwendet die Aktion 212 als Eingabe und gibt eine Belohnung 214 (oder Rückmeldung) und einen Zustand 216 von der Umgebung 204 als Ausgabe zurück. Bei der Belohnung 214 handelt es sich um die Rückmeldung, mit welcher der Erfolg oder Misserfolg der Aktion 212 gemessen wird. In dieser Ausführungsform vergleicht die Umgebung 204 die Aktion 212 mit dem Ziel 220 (z.B. dem Standard-Transaktionsverhalten). Wenn die Aktion 212 von dem Ziel 220 über einen im Voraus definierten Schwellenwert hinaus abweicht, wird der intelligente Agent 202 bestraft, während der intelligente Agent 202 belohnt wird, wenn die Aktion 212 innerhalb eines im Voraus definierten Schwellenwerts von dem Ziel 220 abweicht (d.h., die Aktion 212 ist dem Ziel 220 ähnlich). Die Aktion 212 wird in ihrer Wirkung bewertet, so dass der intelligente Agent 202 auf der Grundlage der Belohnung 214 die nächste Aktion 212 verbessern kann. In dieser Ausführungsform handelt es sich bei der Umgebung 204 um einen Satz von sämtlichen alten Aktionen, die von dem intelligenten Agenten 202 vorgenommen wurden, d.h., bei der Umgebung 204 handelt es sich um einen Satz von sämtlichen alten simulierten Transaktionen. Der intelligente Agent 202 beobachtet die Umgebung 204 und erhält Informationen über die alten Transaktionen, z.B. die Anzahl von Transaktionen, die innerhalb eines Tages, einer Woche, eines Monats oder eines Jahres getätigt wurden; jeden Transaktionsbetrag, jeden Kontostand, jede Transaktionsart und dergleichen. Eine Richtlinien-Steuerkomponente 206 kann die Richtlinie auf der Grundlage der Beobachtungen anpassen, so dass der intelligente Agent 202 beim nächsten Durchlauf eine bessere Aktion 212 durchführen kann.
  • Der intelligente Agent 202 umfasst darüber hinaus die Richtlinien-Steuerkomponente 206, die so konfiguriert ist, dass sie eine Richtlinie auf der Grundlage des Zustands 216 und der Belohnung 214 anpasst. Bei der Richtlinie handelt es sich um eine Strategie, die der intelligente Agent 202 einsetzt, um die nächste Aktion 212 auf der Grundlage des Zustands 216 und der Belohnung 214 zu ermitteln. Die Richtlinie wird angepasst, wobei darauf abgezielt wird, eine höhere Belohnung 214 für die nächste Aktion 212, die der intelligente Agent 202 durchführt, zu erhalten. Die Richtlinie umfasst einen Satz von verschiedenen Richtlinienwahrscheinlichkeiten oder Entscheidungsfindungswahrscheinlichkeiten, die dazu verwendet werden können, zu entscheiden, ob eine Transaktion an einem bestimmten Tag durchgeführt wird, die Anzahl von Transaktionen pro Tag, den Transaktionsbetrag, die Transaktionsart, die Transaktionspartei usw. Bei einem Modell des Verstärkungslernens sind Ergebnisse von Ereignissen zufällig, und bei einem Zufallszahlengenerator (RNG, random number generator) handelt es sich um ein System, das Zufallszahlen aus einer echten Zufallsquelle erstellt. In einem Beispiel beträgt die maximale Anzahl von Transaktionen pro Tag 100, und der maximale Transaktionsbetrag beträgt 15 Millionen $. In dem ersten Durchlauf wird von dem intelligenten Agenten 202 eine zufällige Transaktion mit einem Transaktionsbetrag von 15 Millionen $ nach Simbabwe durchgeführt. Diese Aktion 212 weicht weit von dem Ziel 220 ab (z.B. eine Transaktion, die von verheirateten Rechtsanwälten durchgeführt wird, die in Maine Wirtschaftsrecht praktizieren), und daher wird diese Aktion 212 bestraft (d.h. die Belohnung 214 ist negativ). Die Richtlinien-Steuerkomponente 206 wird so trainiert, dass sie die Richtlinie so anpasst, dass eine andere Transaktion, die dem Ziel 220 näher kommt, durchgeführt werden kann. Mit weiteren Durchläufen können Transaktionen, die dem Ziel 220 ähnlich sind, von der „intelligenteren“ Richtlinien-Steuerkomponente 206 simuliert werden. Wie in 3 gezeigt ist, wird eine Mehrzahl von Transaktionen des Kunden „James Culley“ simuliert, und die simulierten Transaktionsdaten sind dem Ziel 220 ähnlich.
  • Wie in 2 gezeigt, entspricht in einer Ausführungsform eine Rückmeldungsschleife (d.h. ein Durchlauf) einem „Tag“ von Aktionen (d.h. einem „Tag“ von simulierten Transaktionen). Während eines Zeitraums von z.B. zehn Jahren lernt der intelligente Agent 202, wie er eine Aktion 212 durchführen kann, um eine möglichst hohe Belohnung 214 zu erhalten. Die Anzahl der Durchläufe entspricht der Dauer der Zeit. Zehn Jahre entsprechen zum Beispiel 10 x 365 = 3650 Durchläufen. Beim Verstärkungslernen werden die Aktionen 212 nach den Ergebnissen beurteilt, welche die Aktionen 212 hervorbringen. Es orientiert sich an dem Ziel 220 und zielt darauf ab, Folgen von Aktionen 212 zu erlernen, die den intelligenten Agenten 202 dazu bringen, sein Ziel 220 zu erreichen bzw. seine Zielfunktion zu maximieren.
  • In einer Ausführungsform umfasst der Transaktionsdatensimulator 110 darüber hinaus eine Aktualisierungskomponente 210. In jedem Durchlauf wird eine neue Aktion 212 durchgeführt. Die Aktualisierungskomponente 210 aktualisiert die Umgebung 204 nach jedem Durchlauf mit der von dem intelligenten Agenten 202 durchgeführten Aktion 212. Die in jedem Durchlauf durchgeführte Aktion 212 wird durch die Aktualisierungskomponente 210 in die Umgebung 204 eingefügt. In einer Ausführungsform umfasst der Transaktionsdatensimulator 110 darüber hinaus eine Bereinigungsfunktion 208, die zum Bereinigen der Umgebung 204 konfiguriert ist. In einer Ausführungsform kann die Bereinigungsfunktion 208 eine oder mehrere unerwünschte Aktionen entfernen. Zum Beispiel werden Aktionen 212, die in den ersten zehn Durchläufen durchgeführt werden, entfernt, weil diese zehn Durchläufe weit von dem Ziel 220 abweichen und der Ähnlichkeitsgrad unter einem im Voraus definierten Schwellenwert liegt. In einer anderen Ausführungsform kann eine vollständige Neuinitialisierung des Transaktionsdatensimulators 110 durchgeführt werden, um alle aufgelaufenen Aktionen in der Umgebung 204 zu entfernen, so dass der intelligente Agent 202 wieder von vorne beginnen kann.
  • 4 veranschaulicht einen Ablaufplan einer veranschaulichenden Ausführungsform, die ein Verfahren 400 zum Simulieren von Transaktionsdaten zeigt. In Schritt 402 werden Daten zum Standardkunden-Transaktionsverhalten als Ziel 220 bereitgestellt. Das Standardkunden-Transaktionsverhalten verkörpert eine Gruppe von Kunden mit ähnlichen Transaktionseigenschaften. Das Standardkunden-Transaktionsverhalten wird durch einen unüberwachten Clustering-Ansatz erhalten.
  • In Schritt 404 wird eine Aktion 212 durchgeführt, um eine Mehrzahl von Transaktionen in einem Durchlauf durchzuführen, die z.B. einen einzelnen Tag verkörpert (z.B. 100 Transaktionen pro Tag). Jede Transaktion verfügt über die Informationen, zu denen die Transaktionsart, der Transaktionsbetrag, die Transaktionszeit, der Transaktionsort, das Transaktionsmedium, die zweite Partei, die der Transaktion zugehörig ist, und dergleichen gehören.
  • In Schritt 406 vergleicht die Umgebung 204 das Ziel 220 mit der in diesem Durchlauf durchgeführten Aktion 212 und belohnt oder bestraft die Aktion 212 auf der Grundlage der Ähnlichkeit mit oder der Abweichung von dem Ziel 220. Der Schwellenwert oder die Regel zum Entscheiden, ob die Aktion 212 dem Ziel 220 ähnlich ist, ist im Voraus definiert und kann auf der Grundlage der von dem Benutzer bevorzugten Ähnlichkeit mit dem Ziel 220 angepasst werden.
  • In Schritt 408 wird die Umgebung 204 aktualisiert, damit sie die Aktion 212 in dem aktuellen Durchlauf umfasst. Die Umgebung 204 umfasst einen Satz sämtlicher alter Aktionen.
  • In Schritt 410 passt die Richtlinien-Steuerkomponente 206 eine Richtlinie zum Ermitteln der nächsten Aktion 212 auf der Grundlage der Belohnung 214 (d.h. Belohnung oder Strafe) an. Die Richtlinie wird auf der Grundlage einer Vielfalt von Faktoren erstellt, z.B. der Wahrscheinlichkeit des Auftretens einer Transaktion, der Anzahl von Transaktionen pro Tag, des Transaktionsbetrags, der Transaktionsart, der Transaktionspartei, der Transaktionshäufigkeit jeder Transaktionsart, einer Obergrenze und einer Untergrenze für jede Transaktion, des Transaktionsmediums und dergleichen. Die Richtlinie kann Gewichtungen dieser Faktoren auf der Grundlage der Belohnung 214 in jedem Durchlauf anpassen.
  • In Schritt 412 führt der intelligente Agent 202 in einem neuen Durchlauf eine neue Aktion 212 durch. Die Schritte 404 bis 412 werden so lange wiederholt, bis die Aktion 212 dem Ziel 220 hinreichend ähnlich ist (Schritt 414). Zum Beispiel beträgt der in dem Ziel 220 angegebene Transaktionsbetrag 20 $ bis 3.000 $. Wenn der Transaktionsbetrag jeder Transaktion in der Aktion 212 in den Bereich von 20 $ bis 3.000 $ fällt, ist die Aktion 212 dem Ziel 220 hinreichend ähnlich. In Schritt 416 wird das künstliche Kundenprofil 112 mit der letzten Aktion 212 kombiniert, die eine Mehrzahl von Transaktionen umfasst, die dem Ziel 220 hinreichend ähnlich sind, so dass simulierte Kundendaten 114 erstellt werden.
  • Da die Standardkunden-Transaktionsdaten 106 anormale Daten umfassen können, z.B. eine betrügerische Transaktion, können die simulierten KundenTransaktionsdaten 108 ebenfalls anormale Daten umfassen, da die simulierten KundenTransaktionsdaten 108 den Standardkunden-Transaktionsdaten 106 ähnlich sind. Bei einem Modell des Verstärkungslernens erkundet der intelligente Agent 202 die Umgebung 204 zufällig oder stochastisch, lernt eine Richtlinie aus seinen Erfahrungen und aktualisiert die Richtlinie während des Erkundens, um das Verhalten (d.h. die Transaktion) des intelligenten Agenten 202 zu verbessern. In einer Ausführungsform kann sich während eines auf RNG beruhenden Erkundens ein Verhaltensmuster herausbilden (z.B. „Kaufräusche“, bis die Ersparnisse aufgebraucht sind, oder ein Empfinden von „Gewissensbissen eines Käufers“ nach einer großen Anschaffung usw.), im Gegensatz zu zufälligen Aktionen. Ein anormales Verhaltensmuster kann auf eine betrügerische Transaktion hinweisen. Zum Beispiel kann ein simulierter Kunde James Culley im Allgemeinen Transaktionen mit einem Transaktionsbetrag unter 1.000 $ tätigen. Plötzlich gibt es eine Transaktion mit einem Betrag von 5.000 $, und bei dieser verdächtigen Transaktion kann es sich um eine betrügerische Transaktion handeln (z.B. wurde die Kreditkarte von James Culley gestohlen, oder das Girokonto von James Culley wurde gehackt). Es gibt ein Verhaltensmuster, das sich beim Erkunden auf natürliche Weise herausbildet. Wie zum Beispiel in 3 gezeigt ist, empfing der simulierte Kunde James Culley am 1. Januar 2014 einen Betrag von 12.387,71 $ auf einem Girokonto. James Culley gab über eine dem Girokonto zugehörige Debitkarte 474,98 $ am 3. Januar 2014 aus, 4.400 $ am 3. Januar und 3.856,55 $ am 4. Januar 2014. Im nächsten Monat empfing James Culley am 1. Februar 2014 einen Betrag von 12.387,71 $ auf dem Girokonto. James Culley gab über die dem Girokonto zugehörige Debitkarte 4.500 $ am 2. Februar 2014 und 1.713,91 $ am 3. Februar aus und überwies von dem Girokonto 8.100 $ am 27. Juni 2014. In diesem Beispiel neigt der simulierte Kunde James Culley zum Sparen und Ausgeben und tätigt gelegentlich einen Großeinkauf. Durch das Verhaltensmuster verhält sich der simulierte Kunde James Culley realistischer (d.h. er erscheint eher wie ein echter Kunde und nicht wie ein Roboter). Eine Mehrzahl von Parametern wie zum Beispiel „Verhaltenskonsistenz“ (der Grad der Verhaltenskonsistenz in einem Zeitraum), „Konsistenzvolatilität“ (Häufigkeit von Verhaltensänderungen), „Verhaltensanomalie“ (Abweichung von normalen Transaktionsverhalten) usw. werden von der Richtlinien-Steuerkomponente 206 erstellt und verwendet, um eine andere Persönlichkeit jedes simulierten Kunden zu zeigen.
  • Der Transaktionsdatensimulator 110 verwendet abstrahierte oder aggregierte reale Kundendaten, um Kundendaten zu simulieren, die charakteristisch für echte Kunden sind. Der Transaktionsdatensimulator 110 kann einen großen Satz von simulierten Kundendaten bereitstellen (d.h. simulierte Transaktionsdaten in Kombination mit einem künstlichen Kundenprofil), die zum Trainieren eines Vorhersagemodells zum Erkennen anormaler Kundenverhalten verwendet werden können. Außerdem werden die simulierten Kundendaten auf der Grundlage von abstrahierten Daten der echten Kundenrohdaten und nicht auf der Grundlage der echten Kundenrohdaten selbst erstellt, so dass es unmöglich ist, tatsächliche Transaktionshandlungen eines beliebigen echten Kunden abzuleiten. Zusätzlich ermöglicht der Transaktionsdatensimulator 110 eine Erstellung eines Verhaltensmusters für jeden simulierten Kunden während Durchläufen.
  • 5 ist ein Blockschaubild eines beispielhaften Datenverarbeitungssystems 500, in dem Aspekte der veranschaulichenden Ausführungsformen umgesetzt sind. Das Datenverarbeitungssystem 500 ist ein Beispiel eines Computers wie zum Beispiel eines Servers oder Clients, in dem sich durch einen Computer verwendbarer Code bzw. Anweisungen befinden, welche den Prozess für veranschaulichende Ausführungsformen der vorliegenden Erfindung umsetzen. In einer Ausführungsform stellt 5 eine Server-Datenverarbeitungseinheit wie zum Beispiel einen Server dar, der das hierin beschriebene kognitive System 100 umsetzt.
  • In dem abgebildeten Beispiel kann das Datenverarbeitungssystem 500 eine Hub-Architektur einsetzen, die eine North Bridge und einen Speichersteuereinheiten-Hub (NB/MCH) 501 sowie eine South Bridge und einen Eingabe/Ausgabe- (E/A-) Steuereinheiten-Hub (SB/ICH) 502 enthält. Eine Verarbeitungseinheit 503, ein Hauptspeicher 504 und ein Grafikprozessor 505 können mit dem NB/MCH 501 verbunden sein. Der Grafikprozessor 505 kann zum Beispiel über einen beschleunigten Grafikanschluss (AGP, accelerated graphics port) mit dem NB/MCH 501 verbunden sein.
  • In dem abgebildeten Beispiel ist ein Netzwerkadapter 506 mit dem SB/ICH 502 verbunden. Ein Audio-Adapter 507, ein Tastatur- und Mausadapter 508, ein Modem 509, ein Nur-Lese-Speicher (ROM) 510, ein Festplattenlaufwerk (HDD) 511, ein optisches Laufwerk (z.B. CD oder DVD) 512, USB-Anschlüsse (universeller serieller Bus) und andere Datenübertragungsanschlüsse 513 sowie PCI/PCIe-Einheiten 514 können über das Bussystem 516 mit dem SB/ICH 502 verbunden sein. Zu den PCI/PCIe-Einheiten 514 können Ethernet-Adapter, Zusatz-Einbaukarten sowie PC-Karten für Notebook-Computer gehören. Bei dem ROM 510 kann es sich zum Beispiel um ein Flash-Basic-Input/Output-System (BIOS) handeln. Das Festplattenlaufwerk 511 und das optische Laufwerk 512 können eine IDE-Schnittstelle (Festplatten-Schnittstelle - Integrated Drive Electronics) oder SATA-Schnittstelle (serielle Schnittstelle zwischen Prozessor und Festplatte - Serial Advanced Technology Attachment) verwenden. Eine Super-E/A (SIO-) Einheit 515 kann mit dem SB/ICH 502 verbunden sein.
  • Auf der Verarbeitungseinheit 503 kann ein Betriebssystem laufen. Das Betriebssystem kann verschiedene Komponenten innerhalb des Datenverarbeitungssystems 500 koordinieren und deren Steuerung bereitstellen. Bei einem Client kann es sich bei dem Betriebssystem um ein im Handel erhältliches Betriebssystem handeln. Ein objektorientiertes Programmiersystem wie zum Beispiel das Java™-Programmiersystem kann in Verbindung mit dem Betriebssystem laufen und an das Betriebssystem gerichtete Aufrufe von den auf dem Datenverarbeitungssystem 500 laufenden objektorientierten Programmen oder Anwendungen bereitstellen. Als Server kann es sich bei dem Datenverarbeitungssystem 500 um ein IBM® eServer™ System p handeln, auf dem das Betriebssystem Advanced Interactive Executive oder das LINUX®-Betriebssystem läuft. eServer ist eine Marke der International Business Machines Corporation, die in vielen Ländern weltweit eingetragen ist. Die eingetragene Marke Linux® wird gemäß einer Unterlizenz der Linux Foundation verwendet, dem exklusiven Lizenznehmer von Linus Torvalds, dem Eigentümer der Marke auf weltweiter Ebene. Bei dem Datenverarbeitungssystem 500 kann es sich um ein symmetrisches Multiprozessor- (SMP-) System handeln, das eine Mehrzahl von Prozessoren in der Verarbeitungseinheit 503 enthalten kann. Alternativ kann ein Einzelprozessorsystem eingesetzt werden.
  • Anweisungen für das Betriebssystem, das objektorientierte Programmiersystem sowie für Anwendungen oder Programme befinden sich auf Speichereinheiten wie zum Beispiel dem HDD 511 und werden zur Ausführung durch die Verarbeitungseinheit 503 in den Hauptspeicher 504 geladen. Die Prozesse für hierin beschriebene Ausführungsformen des kognitiven Systems 100 können von der Verarbeitungseinheit 503 unter Verwendung von durch einen Computer verwendbarem Programmcode durchgeführt werden, der sich in einem Speicher wie zum Beispiel dem Hauptspeicher 504, dem ROM 510 oder in einer oder mehreren Peripherie-Einheiten befinden kann.
  • Ein Bussystem 516 kann einen oder mehrere Busse aufweisen. Das Bussystem 516 kann unter Verwendung einer beliebigen Art von Datenübertragungsstruktur (communication fabric) oder einer Architektur ausgeführt sein, die eine Übertragung von Daten zwischen an die Struktur bzw. Architektur angeschlossenen Komponenten oder Einheiten gewährleisten kann. Eine Datenübertragungseinheit wie zum Beispiel der Modem 509 oder der Netzwerkadapter 506 kann eine oder mehrere Einheiten aufweisen, die zum Übermitteln und Empfangen von Daten verwendet werden können.
  • Ein Fachmann wird verstehen, dass die in 5 abgebildete Hardware je nach Umsetzung variieren kann. Zusätzlich zu oder an Stelle der abgebildeten Hardware können andere interne Hardware- oder Peripherie-Einheiten wie zum Beispiel Flash-Speicher, gleichwertiger nichtflüchtiger Speicher bzw. optische Plattenlaufwerke verwendet werden.
  • Außerdem kann das Datenverarbeitungssystem 500 die Form eines beliebigen von mehreren unterschiedlichen Datenverarbeitungssystemen annehmen, darunter Client-Datenverarbeitungseinheiten, Server-Datenverarbeitungseinheiten, Tablet-Computer, Laptop-Computer, Telefon- oder andere Datenübertragungseinheiten, elektronische Assistenten oder dergleichen, ohne darauf beschränkt zu sein. Im Wesentlichen kann es sich bei dem Datenverarbeitungssystem 500 um jedes beliebige bekannte oder später entwickelte Datenverarbeitungssystem ohne bauliche Einschränkungen handeln.
  • Das System und die Prozesse der Figuren sind nicht ausschließend. Gemäß den Grundgedanken der hierin beschriebenen Ausführungsformen können auch andere Systeme, Prozesse und Menüs abgeleitet werden, um die gleichen Ziele zu erreichen. Es wird darauf hingewiesen, dass die hierin gezeigten und beschriebenen Ausführungsformen und Abwandlungen lediglich der Veranschaulichung dienen. Abänderungen der derzeitigen Ausgestaltung können von einem Fachmann umgesetzt werden, ohne von dem Umfang der Ausführungsformen abzuweichen. Wie hierin beschrieben, können die verschiedenen Systeme, Teilsysteme, Agenten, Verwaltungseinheiten und Prozesse unter Verwendung von Hardwarekomponenten, Softwarekomponenten und/oder Kombinationen davon umgesetzt werden.
  • Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt handeln. Das Computerprogrammprodukt kann ein durch einen Computer lesbares Speichermedium (oder -medien) mit durch einen Computer lesbaren Programmanweisungen darauf umfassen, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
  • Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch ein System zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine auswechselbare Computerdiskette, eine Head-Disk, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein auswechselbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch kodierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. Lichtwellenleiterkabel durchlaufende Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
  • Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk (LAN), ein Weitverkehrsnetz (WAN) und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server umfassen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
  • Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie zum Beispiel Java™, Smalltalk, C++ oder dergleichen sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter LAN oder WAN, oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, vor Ort programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
  • Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern bzw. Schaubildern mittels durch einen Computer lesbare Programmanweisungen ausgeführt werden können.
  • Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt umfasst, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder bzw. Schaubilder angegebenen Funktion/Schritts umsetzen.
  • Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
  • Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktionen umfassen. In einigen alternativen Ausführungen können die in den Blöcken angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist darüber hinaus anzumerken, dass jeder Block der Blockschaltbilder bzw. Schaubilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaltbildern bzw. Schaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
  • In der vorliegenden Beschreibung und den Ansprüchen können die Begriffe „ein, eine“, „mindestens eine(s) von“ und „ein(e) oder mehrere“ in Bezug auf bestimmte Merkmale und Elemente der veranschaulichenden Ausführungsformen verwendet werden. Man sollte sich darüber im Klaren sein, dass diese Begriffe und Wortfolgen angeben sollen, dass in der jeweiligen veranschaulichenden Ausführungsform mindestens eines der bestimmten Merkmale oder Elemente vorhanden ist, dass aber auch mehr als eines vorhanden sein kann. Das heißt, diese Begriffe/Wortfolgen sollen die Beschreibung oder Ansprüche nicht auf ein Vorhandensein eines einzelnen Merkmals/Elements beschränken oder ein Vorhandensein einer Mehrzahl derartiger Merkmale/Elemente vorschreiben. Im Gegenteil, diese Begriffe/Wortfolgen erfordern lediglich mindestens ein einzelnes Merkmal/Element, wobei die Möglichkeit besteht, dass eine Mehrzahl derartiger Merkmale/Elemente in den Umfang der Beschreibung und der Ansprüche fällt.
  • Zusätzlich sollte man sich darüber im Klaren sein, dass die folgende Beschreibung eine Mehrzahl von verschiedenen Beispielen für verschiedene Elemente der veranschaulichenden Ausführungsformen verwendet, um darüber hinaus beispielhafte Umsetzungen der veranschaulichenden Ausführungsformen zu veranschaulichen und das Verständnis der Mechanismen der veranschaulichenden Ausführungsformen zu erleichtern. Diese Beispiele sollen nicht einschränkend sein und schöpfen die verschiedenen Möglichkeiten zum Umsetzen der Mechanismen der veranschaulichenden Ausführungsformen nicht aus. Für Fachleute wird angesichts der vorliegenden Beschreibung ersichtlich sein, dass es viele andere alternative Umsetzungen für diese verschiedenen Elemente gibt, die zusätzlich zu oder als Ersatz für das hierin bereitgestellte Beispiel verwendet werden können, ohne von dem Sinngehalt und Umfang der vorliegenden Erfindung abzuweichen.
  • Obwohl die Erfindung unter Bezugnahme auf beispielhafte Ausführungsformen beschrieben wurde, ist sie nicht darauf beschränkt. Ein Fachmann wird verstehen, dass zahlreiche Änderungen und Abänderungen an den bevorzugten Ausführungsformen der Erfindung vorgenommen werden können und dass derartige Änderungen und Abänderungen vorgenommen werden können, ohne von dem wahren Sinngehalt der Erfindung abzuweichen. Es ist daher beabsichtigt, dass die beigefügten Ansprüche so ausgelegt werden, dass sie alle derartigen gleichwertigen Abwandlungen abdecken, die in den wahren Sinngehalt und Umfang der Erfindung fallen.

Claims (15)

  1. Auf einem Computer ausgeführtes Verfahren in einem Datenverarbeitungssystem, das einen Prozessor und einen Speicher aufweist, der Anweisungen aufweist, die von dem Prozessor ausgeführt werden, um den Prozessor zu veranlassen, das Verfahren zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens umzusetzen, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung aufweist, das Verfahren aufweisend: Erstellen eines künstlichen Kundenprofils durch den Prozessor durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten durch den Prozessor als Ziel, die eine Gruppe von echten Kunden mit ähnlichen Transaktionseigenschaften verkörpern; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie auf der Grundlage der Rückmeldung durch die Richtlinien-Steuerkomponente; wobei der Schritt des Durchführens einer Aktion bis zu dem Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion durch den Prozessor, um simulierte Kundendaten zu bilden.
  2. Verfahren nach Anspruch 1, wobei die echten Kundenprofildaten eine Adresse eines Kunden, einen Namen eines Kunden, Kontaktinformationen, Kreditinformationen und/oder Einkommensinformationen aufweisen.
  3. Verfahren nach Anspruch 1, wobei jede simulierte Transaktion eine Transaktionsart, einen Transaktionsbetrag, eine Transaktionszeit, einen Transaktionsort, ein Transaktionsmedium und eine zweite, der simulierten Transaktion zugehörige Partei aufweist.
  4. Verfahren nach Anspruch 1, wobei die Umgebung einen Satz von sämtlichen vorhergehenden Aktionen aufweist, die von dem intelligenten Agenten durchgeführt wurden.
  5. Verfahren nach Anspruch 4, darüber hinaus aufweisend: Entfernen einer Mehrzahl von vorhergehenden Aktionen durch den Prozessor, deren Ähnlichkeitsgrad unter einem zweiten im Voraus definierten Schwellenwert liegt.
  6. Verfahren nach Anspruch 1, darüber hinaus aufweisend: Erfassen der Standardkunden-Transaktionsdaten aus Kundentransaktionsrohdaten durch den Prozessor mittels eines unüberwachten Clustering-Ansatzes.
  7. Verfahren nach Anspruch 1, wobei die Rückmeldung eine Belohnung oder eine Strafe ist.
  8. System zum Simulieren von Kundendaten unter Verwendung eines Modells des Verstärkungslernens, das einen intelligenten Agenten, eine Richtlinien-Steuerkomponente und eine Umgebung aufweist, das System aufweisend: einen Prozessor, der konfiguriert ist, zum: Erstellen eines künstlichen Kundenprofils durch Kombinieren zufällig ausgewählter Informationen aus einem Satz von echten Kundenprofildaten; Bereitstellen von Standardkunden-Transaktionsdaten als Ziel, die eine Gruppe von Kunden mit ähnlichen Transaktionseigenschaften verkörpern; Durchführen einer Aktion durch den intelligenten Agenten, die eine Mehrzahl von simulierten Transaktionen aufweist; Vergleichen der Aktion mit dem Ziel durch die Umgebung; Bereitstellen einer der Aktion zugehörigen Rückmeldung durch die Umgebung auf der Grundlage eines Ähnlichkeitsgrades in Bezug auf das Ziel; Anpassen einer Richtlinie auf der Grundlage der Rückmeldung durch die Richtlinien-Steuerkomponente; wobei der Schritt des Durchführens einer Aktion bis zu dem Schritt des Anpassens einer Richtlinie so lange wiederholt werden, bis der Ähnlichkeitsgrad höher als ein erster im Voraus definierter Schwellenwert ist; und Kombinieren des künstlichen Kundenprofils mit der letzten Aktion durch den Prozessor, um simulierte Kundendaten zu bilden.
  9. System nach Anspruch 8, wobei die echten Kundenprofildaten eine Adresse eines Kunden, einen Namen eines Kunden, Kontaktinformationen, Kreditinformationen und/oder Einkommensinformationen aufweisen.
  10. System nach einem der Ansprüche 8 oder 9, wobei die Umgebung einen Satz von sämtlichen vorhergehenden Aktionen aufweist, die von dem intelligenten Agenten durchgeführt wurden.
  11. System nach Anspruch 10, wobei der Prozessor vor dem Schritt des Anpassens einer Richtlinie darüber hinaus so konfiguriert ist, dass er die Aktion in die Umgebung einfügt.
  12. System nach einem der Ansprüche 10 oder 11, wobei der Prozessor darüber hinaus so konfiguriert ist, dass er eine Mehrzahl früherer Aktionen entfernt, deren Ähnlichkeitsgrad niedriger als ein zweiter vordefinierter Schwellenwert ist.
  13. System nach einem der Ansprüche 8 bis 12, wobei die Rückmeldung eine Belohnung oder eine Strafe ist.
  14. Computerprogrammprodukt zum Simulieren von Transaktionsdaten, das Computerprogrammprodukt aufweisend: ein durch einen Computer lesbares Speichermedium, das durch einen Verarbeitungsschaltkreis lesbar ist und auf dem Anweisungen zur Ausführung durch den Verarbeitungsschaltkreis zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 7 gespeichert sind.
  15. Auf einem durch einen Computer lesbaren Medium gespeichertes Computerprogramm, das in den internen Speicher eines digitalen Computers ladbar ist und Software-Code-Abschnitte zum Durchführen des Verfahrens nach einem der Ansprüche 1 bis 7, wenn das Programm auf einem Computer ausgeführt wird, aufweist.
DE112020005484.5T 2019-11-05 2020-11-02 Intelligenter agent zum simulieren von kundendaten Pending DE112020005484T5 (de)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US16/674,464 US11461728B2 (en) 2019-11-05 2019-11-05 System and method for unsupervised abstraction of sensitive data for consortium sharing
US16/674,457 US11676218B2 (en) 2019-11-05 2019-11-05 Intelligent agent to simulate customer data
US16/674,464 2019-11-05
US16/674,457 2019-11-05
PCT/IB2020/060268 WO2021090142A1 (en) 2019-11-05 2020-11-02 Intelligent agent to simulate customer data

Publications (1)

Publication Number Publication Date
DE112020005484T5 true DE112020005484T5 (de) 2022-08-18

Family

ID=75849591

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112020005484.5T Pending DE112020005484T5 (de) 2019-11-05 2020-11-02 Intelligenter agent zum simulieren von kundendaten

Country Status (5)

Country Link
JP (2) JP2023501343A (de)
CN (2) CN114616546A (de)
DE (1) DE112020005484T5 (de)
GB (1) GB2605054A (de)
WO (2) WO2021090141A1 (de)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7925551B2 (en) * 2004-06-09 2011-04-12 Syncada Llc Automated transaction processing system and approach
CN101075330A (zh) * 2007-06-26 2007-11-21 上海理工大学 电子商务谈判系统
CN103236959A (zh) * 2013-05-09 2013-08-07 中国银行股份有限公司 用于测试业务处理模块的测试系统和方法
US20150039435A1 (en) * 2013-07-31 2015-02-05 Mostafa SHAHEE DayMal.com
US10346186B2 (en) * 2014-12-11 2019-07-09 Rohan Kalyanpur System and method for simulating internet browsing system for user without graphical user interface
CN109614301B (zh) * 2018-11-19 2024-01-26 微梦创科网络科技(中国)有限公司 一种信息的评估方法和装置
CN110009171B (zh) * 2018-11-27 2023-07-25 创新先进技术有限公司 用户行为模拟方法、装置、设备及计算机可读存储介质
CN110008696A (zh) * 2019-03-29 2019-07-12 武汉大学 一种面向深度联邦学习的用户数据重建攻击方法

Also Published As

Publication number Publication date
CN114616546A (zh) 2022-06-10
WO2021090141A1 (en) 2021-05-14
GB2605054A (en) 2022-09-21
GB202207340D0 (en) 2022-07-06
JP2023501343A (ja) 2023-01-18
WO2021090142A1 (en) 2021-05-14
CN114730359A (zh) 2022-07-08
JP2023500698A (ja) 2023-01-10

Similar Documents

Publication Publication Date Title
US20180374098A1 (en) Modeling method and device for machine learning model
DE112019000631T5 (de) Verwenden von gradienten, um backdoors in neuronalen netzen zu erkennen
US20210133490A1 (en) System and method for unsupervised abstraction of sensitive data for detection model sharing across entities
US11599884B2 (en) Identification of behavioral pattern of simulated transaction data
DE112019003431T5 (de) Regelerzeugung mithilfe von künstlicher intelligenz
DE102021004157A1 (de) Maschinell lernendes Modellieren zum Schutz gegen die Online-Offenlegung empfindlicher Daten
CN110363407A (zh) 基于用户行为轨迹的欺诈风险评估方法及装置
DE112021003262T5 (de) Erkennen von quelldatensätzen, die zu einem transferlernverfahren für eine zieldomäne passen
DE112021000689T5 (de) Attestierung von neuronalen abläufen
CN112200656A (zh) 一种房贷的线上预审批方法、装置、介质及电子设备
CN109242165A (zh) 一种模型训练及基于模型训练的预测方法及装置
US11556734B2 (en) System and method for unsupervised abstraction of sensitive data for realistic modeling
US20210133783A1 (en) System and method for unsupervised abstraction of sensitive data for detection model sharing across entities
US20210133488A1 (en) System and method for unsupervised abstraction of sensitive data for consortium sharing
US20210133586A1 (en) System and method for unsupervised abstraction of sensitive data for realistic modeling
Schwindenhammer Patterns and Explanations of Corporate Voluntary Norm Compliance: Results from a Structured Focused Comparison of German G500 in the Global Reporting Initiative.
DE112020005484T5 (de) Intelligenter agent zum simulieren von kundendaten
DE202022107234U1 (de) System zur Erkennung von Betrug bei Online-Bankgeschäften mittels Blockchain und künstlicher Intelligenz durch Backlogging
US11461728B2 (en) System and method for unsupervised abstraction of sensitive data for consortium sharing
US11488172B2 (en) Intelligent agent to simulate financial transactions
JP7298286B2 (ja) モデル提供プログラム、モデル提供方法及びモデル提供装置
Theuri et al. The impact of Artficial Intelligence and how it is shaping banking
CN117522403A (zh) 一种基于子图融合的gcn异常客户预警方法及装置
DE112022000423T5 (de) Automatisches erzeugen von datensätzen durch verarbeiten von kollaborationsforen unter verwendung von techniken künstlicher intelligenz
CN113888304A (zh) 贷款管理策略确定方法、系统及电子设备

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R084 Declaration of willingness to licence