TR2023017968A2 - Graf veri̇ yapilari kullanilarak yapay zeka destekli̇ koordi̇neli̇ fi̇nansal dolandiricilik tespi̇t si̇stemi̇ - Google Patents
Graf veri̇ yapilari kullanilarak yapay zeka destekli̇ koordi̇neli̇ fi̇nansal dolandiricilik tespi̇t si̇stemi̇Info
- Publication number
- TR2023017968A2 TR2023017968A2 TR2023/017968 TR2023017968A2 TR 2023017968 A2 TR2023017968 A2 TR 2023017968A2 TR 2023/017968 TR2023/017968 TR 2023/017968 TR 2023017968 A2 TR2023017968 A2 TR 2023017968A2
- Authority
- TR
- Turkey
- Prior art keywords
- network
- data
- customers
- transactions
- customer
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 title 1
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 9
- 238000013459 approach Methods 0.000 description 8
- 230000001788 irregular Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Abstract
Buluş, finansal dolandırıcılık tespit sistemi olup, müşteri ve işlemleri ile ilgili verilerin tutulduğu şirket veritabanı, şirket veritabanından ilgili verileri alan, graf veri yapısı kullanılarak şirket veritabanındaki müşteriler arası ilişkileri tespit eden, tespit edilen ilişkileri ağ boyutu, ağdaki müşteri sayısı, yapılan işlem çeşidi, ağ oluşma süresi, ağdaki işlem hacmi, ağdaki işlem sayısına göre gruplandıran graf veritabanı, gruplandırılmış müşteri verilerini alarak otomatize modeller vasıtasıyla analiz eden, analiz sonucunu müşteri ağlarında, müşteri tipine göre kategorize eden, kategorize edilen verileri zamana göre ve ağ boyutuna göre sınıflandırıp şüpheli müşterileri belirleyen sunucu, sunucudan şüpheli olarak belirlenen müşteri verilerini sonuç iletim hattı üzerinden alarak takip edilmesini sağlayan sonuç arayüzü içermektedir.
Description
TARIFNAME GRAF VERI YAPILARI KULLANILARAK YAPAY ZEKA DESTEKLI KOORDINELI FINANSAL DOLANDIRICILIK TESPIT SISTEMI Teknik Alan Bulus, faktoring sektöründe müsterilerin kendi aralarinda veya müsteri olmayan kisiler ile birlikte süpheli çek ve fatura alisverisi gerçeklestirmesi sonucu ortaya çikan usulsüz islemler sonucunda, faktoring sirketlerinin zarar etmesi ve haksiz kazanç elde edilmesiyle olusan dolandiricilik aglarinin belirlenip, bu aglardaki süpheli ve muhtemel dolandiricilarin tespit edilerek gerekli önlemlerin alinmasini saglayan finansal dolandiricilik tespit sistemi ile ilgilidir. Teknigin Bilinen Durumu Mevcut teknikte faktoring sektöründe usulsüz çek ve fatura islemleri yapan müsteri veya diger sahislar alaninda uzman kisiler tarafindan belgelere ve gözleme dayanarak yapilan incelemeler sonucu dolandiricilik agina karisan sahislar tespit edilir ve gerekli islemler manuel olarak yapilmaktadir. Mevcutta, dolandiricilik faaliyetlerinde bulunan ve bu aglarla istiraki bulunan kisileri olasilik ve veri analitigine dayali olarak tahmin ederek (prediktif) tespit eden bir yapilanma bulunmamaktadir. Bu problem süphelilerin hizli, kesin ve net olarak belirlenememesi anlamina gelmektedir. Süpheli sahislarin tespit edilebilmesi bu yöntem sonucu ortaya çikan zararin ve haksiz kazancin önlenebilirligi açisindan en önemli unsurdur. Mevcut teknikte sadece insan incelemelerine dayanan ve çok az analitik yöntemler içeren yöntemlerde süpheli sahislarin tespiti çok uzun sürmektedir ve birçok sahis gözden kaçabilmektedir. Halihazirda kullanilan müsterilerin veya çekle islem yapan kisilerin sahip oldugu kredi notu yasal takip durumu, müsterinin sahip oldugu çekin vadesi, ise baslama tarihi ve olusturulan aglarin büyüklügü ve olusum süresi incelendiginde ilgili ve süpheli sahislarin dolandiricilik aglarina bulasma yatkinligi ve agin içinde olup olmadigi alaninda uzman kisilerin görüslerine dayanarak süpheli sahislar tespit edilebilmektedir. rastlanilmistir. Basvuru, Telekom operatörlerinin dolandiricilik yapan abone bilgilerini diger Telekom operatörlerinin bu bilgilerden haberdar olmalari için blok zincir agi üzerinden paylasmalarini saglayan bir sistem ile ilgilidir. Ancak basvuruda müsterilerin kendi aralarinda veya müsteri olmayan kisiler ile birlikte süpheli çek ve fatura alisverisi gerçeklestirmesi ile ortaya çikan usulsüz islemlerin tespit edilmesi gerçeklestirilememektedir. Sonuç olarak, yukarida anlatilan olumsuzluklardan dolayi ve mevcut çözümlerin konu hakkindaki yetersizligi nedeniyle ilgili teknik alanda bir gelistirme yapilmasi gerekli kilinmistir. Bulusun Amaci Bulus, mevcut durumlardan esinlenerek olusturulup yukarida belirtilen olumsuzluklari çözmeyi amaçlamaktadir. Bulusun ana amaci, faktoring islemlerinde özellikle müsteriler ve müsteri olmayan kisiler arasinda yapilan çek, fatura takas islemlerinde süpheli ve haksiz kazanç elde etmeye dayali yöntemlerin ve bu yöntemleri uygulayan sahislarin tespit edilmesini saglamaktir. Yapilan tespitlerin sonucu hizli ve dogru müdahalelerle zararin en aza indirilmesi amaçlanmaktadir. Bulusun amaci, süreçlerde insan etkilesimini ortadan kaldirarak veya en aza indirerek objektif kriterlere göre dolandiricilik tespitinin yapilmasini saglamaktir. Bulus faktoring sektöründe müsterileri veya müsteri olmayan kisiler arasinda yapilan süpheli ve gayri resmi kazanç saglamaya yönelik çek ve takas islemlerinin tespit edilip sirketin bu islemler sebebiyle ugradigi zararin en aza indirilmesini amaçlamaktadir. Bulus konusu sistem sayesinde seçilen süpheli sahislar objektif (niceliksel) kriterlere göre otomatize bir sekilde yapilmaktadir. Sistemde gerçeklestirilen islevler asagidaki 0 Müsteri ve islemleri ile ilgili veriler sirket veritabanina aktarilir. 0 Sirket veritabanindan ilgili veriler graph (Graf) veritabanina aktarilip, islenmektedir. o Graph veri yapisi kullanilarak sirket veritabanindaki müsteriler arasi iliskiler fatura borçlusu veya kesideci iliskileri tespit edilir. 0 Tespit edilen iliskiler ag boyutu, agdaki müsteri sayisi, yapilan islem çesidi, ag olusma süresi, agdaki islem hacmi, agdaki islem sayisina göre gruplandirilir. o Gruplandirilmis müsteri verileri otomatize modeller tarafindan analiz edilir. o Islenen bilgiler müsteri aglarinda, aglarda yapilan fatura borçlusu ve kesideci olmasina göre müsteri tipine göre kategorize edilmektedir. 0 Ag olusma tarihi en son islem tarihi dikkate alinarak zamana göre siniflandirma gerçeklestirilir. 0 Ag boyutuna göre (içerdigi kisi sayisi) ve tanimlanmis ag kodlarina göre siniflandirma gerçeklestirilir. o Siniflandirilan müsteriler süpheli ise algoritma tarafindan süpheli grubuna eklenmektedir. o Süpheli grubundaki müsterilerin sirketteki ilgili birimler tarafindan incelenerek çesitli aksiyonlar alinmaktadir. Yukaridaki amaçlari gerçeklestirmek üzere bulus, finansal dolandiricilik tespit sistemi olup, müsteri ve islemleri ile ilgili verilerin tutuldugu sirket veritabani, sirket veritabanindan ilgili verileri alan, graf veri yapisi kullanilarak sirket veritabanindaki müsteriler arasi iliskileri tespit eden, tespit edilen iliskileri ag boyutu, agdaki müsteri sayisi, yapilan islem çesidi, ag olusma süresi, agdaki islem hacmi, agdaki islem sayisina göre gruplandiran graf veritabani, gruplandirilmis müsteri verilerini alarak otomatize modeller vasitasiyla analiz eden, analiz sonucunu müsteri aglarinda, müsteri tipine göre kategorize eden, kategorize edilen verileri zamana göre ve ag boyutuna göre siniflandirip süpheli müsterileri belirleyen sunucu, sunucudan süpheli olarak belirlenen müsteri verilerini sonuç iletim hatti üzerinden alarak takip edilmesini saglayan sonuç arayüzü içermektedir. Bulusun Detayli Açiklamasi Bu detayli açiklamada, bulusa konu olan finansal dolandiricilik tespit sistemi tercih edilen yapilanmalari, sadece konunun daha iyi anlasilmasina yönelik olarak açiklanmaktadir. Müsteri ve islemleri ile ilgili veriler sirket veritabaninda saklanmaktadir. Sirket veritabaninda görüntüleme ekrani vasitasiyla süpheli kisiler sorgulanabilmektedir. Sirket veritabanindan ilgili veriler veri iletim hatti üzerinden Graf (graph) veritabanina aktarilip, islenmektedir. Graf veri yapisi kullanilarak sirket veritabanindaki müsteriler arasi iliskiler fatura borçlusu veya kesideci iliskileri tespit edilir. Tespit edilen iliskiler ag boyutu, agdaki müsteri sayisi, yapilan islem çesidi, ag olusma süresi, agdaki islem hacmi, agdaki islem sayisina göre gruplandirilmaktadir. Gruplandirilmis müsteri verileri sunucuya iletilip otomatize modeller tarafindan analiz edilir. Sunucuda islenen bilgiler müsteri aglarinda, aglarda yapilan fatura borçlusu ve kesideci olmasina göre müsteri tipine göre kategorize edilmektedir. Ag olusma tarihi en son islem tarihi dikkate alinarak zamana göre ve ag boyutuna göre (içerdigi kisi sayisi) ve tanimlanmis ag kodlarina göre siniflandirma gerçeklestirilir. Siniflandirilan müsteriler süpheli ise algoritma tarafindan süpheli grubuna eklenmektedir. Sunucudan alinan süpheli olarak belirlenen müsteri verileri sonuç iletim hatti üzerinden ilgililer tarafindan incelenmek üzere sonuç arayüzüne iletilmektedir. Sonuç arayüzünde yetkililer tarafindan çiktilar görüntülenerek takip edilmektedir. Bulusun problem çözülmesinde ilk olarak is yaklasimi belirlenmektedir. Bu yaklasimlar kurulusun operasyon ve kredi ve analitik birimleri ile is bilgisi çerçevesinde gerçeklestirilmektedir. Is yaklasimi dahilinde istenilen sonuçlarin ve bulusun çiktilari müsterilerin geçmis 3 ay, 6 ay, 12 aylik süreçlerde olusturduklari islem aglarinin tespit edilmesi, ag boyutunun belirlenmesi ve ag hacminin agdaki islem sayisi tespit edilmesidir. Is yaklasimlarinin belirlenmesi sonrasinda analitik yaklasim çerçevesinde metodolojiye karar verilmesi, kullanilacak teknolojik araçlara karar verilmesi ve is akis semasi olusturulmasi gerçeklestirilmektedir. Analitik yaklasim sürecinde metodoloji ve yöntemlere karar verilerek yöntemler ve süreç yönetimi planlanmaktadir. Bulusta Python programlama dili ve Redis üzerinden veritabani yapisi olarak ise Oracle SQL kullanilmaktadir. Bulus ihtiyaçlari ve is akis semalari dogrultusunda analitik yaklasim süreci sonrasinda ilk olarak veri ihtiyaçlarinin belirlenmesi bulunmaktadir. Veri ihtiyaçlari bulusta istenilen çiktilarin elde edilebilmesi için ihtiyaç olan verilere karar verilmesi asamasidir. Bu süreçte ilk olarak bulus sonuçlari için kullanilabilecek kurulus bünyesinde bulunan veriler üzerinden ve farkli birimler ile iç kontrol, istihbarat ve müsteri analitigi ile isbirligi yapilmaktadir. Veri ihtiyaçlarinin belirlenmesi sonrasinda ihtiyaç duyulan veriler toplanmaktadir. Toplanan veriler sirket veritabaninda saklanmaktadir. Verilerin toplanmasi asamasinda analitik yaklasim asamasinda belirlendigi gibi veri tabani için Oracle SOL teknolojisi kullanilmaktadir. Ihtiyaç duyulan ve kurulus bünyesinde bulunan tüm veriler Oracle SQL veri tabani programi tarafindan toplanip içerisinde tutulmaktadir. Veri toplama süreçleri sonucunda toplanan verilerin analiz edilmesi gerçeklestirilmektedir. Sirket veritabanindan ilgili veriler Graf veritabanina iletilmektedir. Bulus için kullanilan verilerin gözlem sayisi ve öznitelik bakimindan fazla olmasi sebebiyle veri analizi süreçlerinde RedisGraph ile birlikte çalisan görsellestirme ve sorgu arayüzü Redislnsight kullanilmaktadir. Böylece müsterilerin birbirleri arasinda olusturdugu iliskiler görsel olarak ortaya çikarilmaktadir. Verilerin analizi sonucunda gerekli çikarimlar kaydedilerek ag, müsteri ve islem iliskisini ortaya çikaracak önemli noktalar belirlenmektedir. Gruplandirilmis müsteri verileri sunucuya iletilip otomatize modeller tarafindan analiz edilmektedir. Veri isleme süreçlerinde ilk olarak betimsel istatistikler uygulanmaktadir. Öznitelik tiplerinin gerekli analizleri yapilmis olup öznitelik tiplerindeki gerekli görülen degisiklik yapilmistir. Ag anlamlandirma ve siniflandirmadan sonra elde edilen veri Pythonlda ve Python içinde bulunan Pandas kütüphanesiyle islenmektedir. Bulus bu süreçte farkli veri isleme ve veri anlamlandirma yöntemleri kullanilmaktadir. Bu yöntemler için karsilastirma sonuçlari hazirlanmis ve bulus çiktilari için farkli formüller üretilmistir. Kullanilan yöntemlerin Test ve degerlendirmeleri sonucunda en iyi yöntem canliya alinarak test edilmistir. Yayinlanan bulusun sonuçlari için monitoring uygulamasi gelistirilmistir. Gelistirilen monitoring uygulamasi ile birlikte geri bildirim süreci ile birlikte hatalarin artmasi ve bulusun performansina uygun beklenen sonuçlarin dogruluk oranin azalmasiyla birlikte test asamasina geri dönülerek bulus gelistirilmeye devam edilmektedir. TR
Claims (1)
1.STEMLER Finansal dolandiricilik tespit sistemi olup, özelligi; müsteri ve islemleri ile ilgili verilerin tutuldugu sirket veritabani, sirket veritabanindan ilgili verileri alan, graf veri yapisi kullanarak sirket veritabanindaki müsteriler arasi iliskileri tespit eden, tespit edilen iliskileri ag boyutu, agdaki müsteri sayisi, yapilan islem çesidi, ag olusma süresi, agdaki islem hacmi, agdaki islem sayisina göre gruplandiran graf veritabani, gruplandirilmis müsteri verilerini alarak otomatize modeller vasitasiyla analiz eden, analiz sonucunu müsteri aglarinda, müsteri tipine göre kategorize eden, kategorize edilen verileri zamana göre ve ag boyutuna göre siniflandirip süpheli sunucudan süpheli olarak belirlenen müsteri verilerini sonuç iletim hatti üzerinden alarak takip edilmesini saglayan sonuç arayüzü içermesidir. TR
Publications (1)
Publication Number | Publication Date |
---|---|
TR2023017968A2 true TR2023017968A2 (tr) | 2024-03-21 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080021801A1 (en) | Dynamic multidimensional risk-weighted suspicious activities detector | |
US8660954B2 (en) | Fraud and events integrated management method and system | |
US8386381B1 (en) | Method and system for detecting, monitoring and addressing data compromises | |
EP2329447A1 (en) | Evaluating loan access using online business transaction data | |
CN110852878B (zh) | 一种可信度确定方法、装置、设备和存储介质 | |
US20110087495A1 (en) | Suspicious entity investigation and related monitoring in a business enterprise environment | |
US20100100468A1 (en) | System and method for multi layer rule processing background | |
Goldberg et al. | The NASD Securities Observation, New Analysis and Regulation System (SONAR). | |
US10733674B2 (en) | System and method for pattern-recognition based monitoring and controlled processing of data objects based on conformity measurements | |
CN111815207B (zh) | 一种针对供应链金融的风险定量评估方法 | |
Chiu et al. | The automation of financial statement fraud detection: a framework using process mining | |
CN112669039B (zh) | 基于知识图谱的客户风险管控系统及方法 | |
CN112581271B (zh) | 一种商户交易风险监测方法、装置、设备及存储介质 | |
CN114118793A (zh) | 一种地方交易所风险预警方法、装置及设备 | |
CN116777633A (zh) | 基于数据管理的金融资产管理系统 | |
TR2023017968A2 (tr) | Graf veri̇ yapilari kullanilarak yapay zeka destekli̇ koordi̇neli̇ fi̇nansal dolandiricilik tespi̇t si̇stemi̇ | |
CN112651433B (zh) | 一种特权账号异常行为分析方法 | |
Chiu et al. | Validating Process Mining: A Framework Integrating Auditor’s Risk Assessment | |
Lawrencia et al. | Fraud detection decision support system for Indonesian financial institution | |
CN114493864A (zh) | 一种基于资金大数据异常检测系统及方法 | |
Chiu | Exploring new audit evidence: The application of process mining in auditing | |
CN112823502B (zh) | 针对资源访问规则配置的实时反馈服务 | |
Şen et al. | Detecting falsified financial statements using data mining: empirical research on finance sector in Turkey | |
CN113837512A (zh) | 异常用户的识别方法及装置 | |
Azaltun et al. | The Impact of Enterprise Resource Planning (ERP) System on the Cost and Price of Auditing: Auditor's Perspective |