TWM629361U - 匯款即時檢核系統 - Google Patents
匯款即時檢核系統 Download PDFInfo
- Publication number
- TWM629361U TWM629361U TW110215748U TW110215748U TWM629361U TW M629361 U TWM629361 U TW M629361U TW 110215748 U TW110215748 U TW 110215748U TW 110215748 U TW110215748 U TW 110215748U TW M629361 U TWM629361 U TW M629361U
- Authority
- TW
- Taiwan
- Prior art keywords
- remittance
- real
- dimensional
- module
- checking system
- Prior art date
Links
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 8
- 230000005856 abnormality Effects 0.000 claims description 25
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 15
- 238000013136 deep learning model Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本創作揭露之匯款即時檢核系統可用以偵測一匯款請求是否異常，包括一儲存裝置、一連接裝置及一處理裝置。儲存裝置提供一資料儲存空間。處理裝置透過該連接裝置電性連接該儲存裝置以使用該資料儲存空間，處理裝置包括一自動編碼器模組、一降維模組、一集群模組及一歸一化指數函數單元。自動編碼器模組接收與匯款請求相關的至少一歷史資料，自動編碼器模組包括一編碼器和一解碼器，編碼器分析歷史資料得到一低維度隱藏變量，低維度隱藏變量經解碼器處理後得到一高維度代表特徵。降維模組接收並分析低維度隱藏變量及高維度代表特徵，並降維產生一特徵資料。集群模組接收並集群分析特徵資料。歸一化指數函數單元接收自集群模組輸出的分析結果，並對分析結果進行歸一化處理以產生至少一預測機率來代表匯款請求異常程度的可能性。
Description
本創作係與偵測匯款請求是否異常之匯款即時檢核系統相關，尤其是與以分析匯款請求相關的至少一歷史資料來預測匯款請求異常程度的可能性之匯款即時檢核系統相關。
為了防止異常或甚至是不法的匯款交易，金融業界通常以人工或藉專業人才設計的規則檢核匯款關聯的各個細項資訊，比如說：輸入的匯入帳戶是否正確、匯款／匯入帳戶是否為問題帳戶等。然而不管是以人工或設定規則檢核的方法都涉及大量或專業的人力，無法有效率地限制成本並即時反應異常的匯款活動或行為。因此，亟需研發更有效率的匯款交易檢核方案。
本創作之一目的在於提供匯款即時檢核系統其可使用先前的歷史交易紀錄進行分析，即時預測匯款請求是否異常，決定是否終止匯款行為，較佳地，可以引入人工智慧技術，如：建立非監督式機器學習（unsupervised machine learning）的深度學習模型，而無須專家介入或引入先備領域知識（domain knowledge）來設定規則或建立監督式學習（supervised machine learning）的模型。
依據本創作之另一面向，提供一匯款即時檢核系統，用以偵測一匯款請求是否異常，包括一儲存裝置、一連接裝置及一處理裝置。儲存裝置提供一資料儲存空間。處理裝置透過該連接裝置電性連接該儲存裝置以使用該資料儲存空間，處理裝置包括一自動編碼器模組、一降維模組、一集群模組及一歸一化指數函數單元。自動編碼器模組接收與匯款請求相關的至少一歷史資料，自動編碼器模組包括一編碼器和一解碼器，編碼器分析歷史資料得到一低維度隱藏變量，低維度隱藏變量經解碼器處理後得到一高維度代表特徵。降維模組接收並分析低維度隱藏變量及高維度代表特徵，並降維產生一特徵資料。集群模組接收並集群分析特徵資料。歸一化指數函數單元接收自集群模組輸出的分析結果，並對分析結果進行歸一化處理以產生至少一預測機率來代表匯款請求異常程度的可能性。
為進一步說明各實施例及其優點，本創作乃配合圖式提供下列說明。此些圖式乃為本創作揭露內容之一部分，其主要係用以說明實施例，並可配合說明書之相關描述來解釋實施例的運作原理。配合參考這些內容，本領域具有通常知識者應能理解其他可能的實施方式以及本創作之優點。圖中的元件並未按比例繪製，而類似的元件符號通常用來表示類似的元件。如在此揭露，「實施例」、「示例」及「本實施例」並非專指單一實施例，而可及於依據本創作不同結合方式實施之例子，不悖于本創作之精神與範圍。此處使用之詞彙僅用以闡明本創作原則之具體實施例，應不拘限本創作。故而，如「之中」可包括「之內」及「之上」，「一」及「該」可包括單數或複數；「藉」可指「從」，「若」可指「當」或「一旦」，端示於前後文字內容。此外，「及／或」可包括有關元件的任何可能的組合。
本說明書揭露可自動監控匯款是否異常之匯款即時檢核系統之多個示例，其可使用先前的歷史交易紀錄進行分析，輔助即時判斷匯款動作是否異常，決定是否終止匯款行為，較佳地，可以引入人工智慧技術建立非監督式機器學習（unsupervised machine learning）的深度學習模型，而無須專家介入或引入先備領域知識（domain knowledge）來設定規則或建立監督式學習（supervised machine learning）的模型。請參考圖1顯示依據本創作之一實施例之一匯款即時檢核系統。匯款即時檢核系統1包括一處理裝置10、一連接裝置15及一儲存裝置20。處理裝置10透過連接裝置15電性連接並控制儲存裝置20的操作以使用儲存裝置20的資料儲存空間，存取資料儲存空間中的資料。儲存裝置20可經由一通訊連結裝置（圖中未示）與一外部資料庫（圖中未示）形成通訊連結，藉此接收與一匯款請求相關的至少一歷史資料，或者無須此方式而為供儲存所有的歷史交易紀錄之一內部資料庫，無論儲存裝置20是何形式皆可不斷更新歷史資料及／或歷史交易紀錄。在此示例處理裝置10可為一處理器，如：一中央處理器（CPU）、一圖形處理器（GPU）等，其較佳可進行矩陣平行運算；連接裝置15可為傳遞訊號、資料的通道，如：匯流排或主機板等；儲存裝置20可為一記憶體、一硬碟或一資料庫等；通訊連結裝置可為一無線通訊連結裝置、一有線通訊連結裝置等；然而請注意本創作不限於此。本實施例是以一圖形處理器實施匯款即時檢核系統100，以一記憶體實施儲存裝置20，以一無線通訊連結裝置實施通訊連結裝置，然而在其他實施例中，匯款即時檢核系統可以其他元件實施。
在接收一匯款請求時，處理裝置10可發出請求至儲存裝置20及／或通訊連結裝置，經由儲存裝置20及／或通訊連結裝置輸入與該匯款請求相關的至少一歷史資料。歷史資料可為先前執行匯款的所有歷史交易紀錄，比如說是與該匯款請求相同匯款帳戶的先前執行匯款的所有歷史交易紀錄、與該匯款請求相同匯款帳戶且相同匯入帳戶的先前執行匯款的所有歷史交易紀錄、目前記錄的所有先前執行匯款的所有歷史交易紀錄等等，其可依據需求設定。舉例來說，歷史資料可包括Ｎ筆的歷史交易紀錄，每一筆歷史交易紀錄中的M種資訊被擷取出來當作特性變數（characteristic attribute），可以處理裝置10依此處理歷史資料而產生一N×M代表矩陣，其中每一列代表一筆交易紀錄，每一行代表一個特徵屬性，較佳地是以Json（JavaScript Object Notation）格式呈現N×M代表矩陣，但任何能呈現此矩陣的檔案形式也都可以。
在本實施例中，處理裝置10係被配置以執行如圖2顯示之匯款即時檢核方法，主要包括兩步驟S100、S200：其一S100是將與匯款請求相關的歷史資料輸入至一自動編碼器模組經分析後得到一低維度隱藏變量（low-dimensional latent code）及一高維度代表特徵（high-dimensional representative feature），另一S200是接續步驟S100，分析低維度隱藏變量及高維度代表特徵以得到至少一預測機率，預測機率代表匯款請求異常程度的可能性，藉此可預測本次匯款請求是否為異常匯款。自動編碼器模組可包括一編碼器和一解碼器。在步驟S00中，由編碼器分析歷史資料得到低維度隱藏變量，低維度隱藏變量再經解碼器處理後得到高維度代表特徵。然而在其他實施例中，可以精細化上述兩步驟在其中包括子步驟或在上述兩步驟之前、之間及／或之後加入其他步驟，並不限於此。
請一併參考圖1與圖3，圖3顯示實施例中之匯款即時檢核系統之功能方塊圖，其中各功能方塊圖可以硬體形式設置在匯款即時檢核系統1中。本實施例的匯款即時檢核系統1可執行如一匯款即時檢核方法。匯款即時檢核系統1包括包括一處理裝置10、一連接裝置15及一儲存裝置20，處理裝置10包括一自動編碼器模組30、一降維模組40、一集群模組50及一歸一化指數函數（Softmax Function）單元60。自動編碼器模組30包括一編碼器31和一解碼器32。在此示例地以非監督式學習的深度學習模型設置自動編碼器模組30，可透過一初始步驟自一主機，如：一遠端伺服器下載及／或設定，或無須此初始步驟，端視於各種應用的需求，比如說：當處理裝置10應用於一自動櫃員機（ATM）或手持裝置時，可即時向遠端伺服器下載及／或設定深度學習模型；當處理裝置10應用於一主機且接受來自ATM或一銀行主機的匯款請求時，可即時且直接地以其中的深度學習模型協助預測匯款請求是否異常。深度學習模型在此可為非監督式機器學習的深度學習模型，但不限於此，其也可以是監督式機器學習的深度學習模型。深度學習模型可預先透過一定訓練資料的輸入進行訓練，使其預測的準確率得以提高。
首先，處理裝置10可將與一匯款請求相關的至少一歷史資料D
H輸入至一自動編碼器模組30，自動編碼器模組30包括一編碼器31和一解碼器32，編碼器31分析歷史資料D
H得到一低維度隱藏變量，此低維度隱藏變量再經解碼器32處理後得到一高維度代表特徵。較佳地，編碼器31可對歷史資料D
H進行降維處理，得到最能代表高維度特徵的最低限度低維隱藏變量。解碼器32可對低維度隱藏變量還原，在編碼器31和解碼器32共同訓練的情況下，此自動編碼器模組30能夠非監督式地學到如何以低維表達高維的特徵矩陣，而有較低維的特徵可降低集群分析的難度，以求盡可能在不損失資料的前提下還原低維度隱藏變量，得到高維度代表特徵。低維度隱藏變量及高維度代表特徵皆被輸出至降維模組40中。
降維模組40可減少變數個數提取不相關的變數，其可包括一集群模組主成分分析（Principal Component Analysis，PCA）單元41及一ｔ－隨機鄰近嵌入法（t-distributed stochastic neighbor embedding，t-SNE）分析單元42。詳細地說，PCA單元41接收低維度隱藏變量及高維度代表特徵並對低維度隱藏變量及高維度代表特徵進行線性對映轉換，將之投影為主成分的數值，得到的降維矩陣可以視為由最主要的代表特徵所組成的矩陣。之後，PCA單元41的分析結果接續交由t-SNE分析單元42進行分析，非線性地將該分析結果視覺化，以降維產生一特徵資料。較佳地，特徵資料可為一二維平面。接著，可輸出特徵資料至集群模組50中。
集群模組50可依據特徵資料之間的共同屬性，將較為相似的資料點聚集在一起，其中包括一Ｋ－集群分析（K-means clustering）單元51。Ｋ－集群分析單元51可接收、分析特徵資料，在此可根據預定分類的數量設定Ｋ－集群分析（K-means clustering）單元51的k值。經Ｋ－集群分析單元51分析的分析結果可自集群模組50輸出至歸一化指數函數單元60。
當歸一化指數函數單元60接收來自集群模組50的分析結果時，可對分析結果進行歸一化處理以產生至少一預測機率來代表匯款請求異常程度的可能性。詳細地說，歸一化指數函數單元60可將分析結果投射為一向量，此向量包括介在一預定範圍的多個實數，這些實數分別代表一個分類中的預測機率。在此示例性地設定前述向量包括五個實數，這些實數都是介在0~1之間的預定範圍，分別代表匯款請求異常程度屬正常（no abnormality）的預測機率、匯款請求異常程度屬輕微正常（mild no abnormality）的預測機率、匯款請求異常程度屬無法決定（undecided）的預測機率、匯款請求異常程度屬輕微異常（mild abnormality）的預測機率及匯款請求異常程度屬強烈異常（strong abnormality）的預測機率，然而預定範圍和實數分別代表的異常程度都可依據需求調整，無須限制於此。接著，處理裝置10可以此些實數中最高者作為判斷本次匯款請求異常程度的預測結果，比如說：匯款請求異常程度屬輕微異常的預測機率為最高值，以此作為預測結果。
之後，匯款即時檢核系統1可額外包括一警示裝置（圖中未示）以依據前述預測結果，在預測匯款請求異常程度高時發出一警報警示異常。警示裝置可以是一蜂鳴器、一閃燈、一螢幕或其他類型的警示裝置。在此係將匯款請求異常程度屬輕微異常及匯款請求異常程度屬強烈異常判斷為匯款請求異常程度高的態樣，但不限於此。較佳地，處理裝置10可依據應用的不同，建立不同的異常匯款請求的警報產生路徑，如：當處理裝置10應用於ATM或手持裝置時，將警報訊息送回發出匯款請求的ATM及／或執行匯款的一對應銀行主機；當處理裝置10應用於主機時，將警報訊息送回發出匯款請求的ATM或銀行主機。
此處說明的匯款即時檢核系統可免除大量或專業人力的需求，有效率地限制成本並即時反應異常的匯款活動或行為，且可創新地結合先前的歷史交易紀錄與人工智慧以非監督式機器學習的深度學習模型建立自動編碼器模組，如此可無須引入熟習關於金融業匯款相關規定及資訊技術的先備領域知識，而可提供監控匯款活動的異常行為的嶄新技術。
以上敍述依據本創作多個不同實施例，其中各項特徵可以單一或不同結合方式實施。因此，本創作實施方式之揭露為闡明本創作原則之具體實施例，應不拘限本創作於所揭示的實施例。進一步言之，先前敍述及其附圖僅為本創作示範之用，並不受其限囿。其他元件之變化或組合皆可能，且不悖于本創作之精神與範圍。
1:匯款即時檢核系統
10:處理裝置
15:連接裝置
20:儲存裝置
30:自動編碼器模組
31:編碼器
32:解碼器
40:降維模組
41:集群模組主成分分析單元
42:ｔ－隨機鄰近嵌入法分析單元
50:集群模組
51:Ｋ－集群分析單元
60:歸一化指數函數單元
S100、S200:步驟
圖1顯示依據本創作之一實施例之匯款即時檢核系統之系統架構圖。
圖2繪示依據本創作之一實施例之匯款即時檢核方法之流程圖。
圖3顯示依據本創作之一實施例之匯款即時檢核系統之功能方塊圖。
10:處理裝置
30:自動編碼器模組
31:編碼器
32:解碼器
40:降維模組
41:集群模組主成分分析單元
42:t-隨機鄰近嵌入法分析單元
50:集群模組
51:K-集群分析單元
60:歸一化指數函數單元
Claims (10)
- 一種匯款即時檢核系統，用以偵測一匯款請求是否異常，包括： 一儲存裝置，提供一資料儲存空間； 一連接裝置，及 一處理裝置，透過該連接裝置電性連接該儲存裝置以使用該資料儲存空間，包括： 一自動編碼器模組，接收與該匯款請求相關的至少一歷史資料，該自動編碼器模組包括一編碼器和一解碼器，該編碼器分析該至少一歷史資料得到一低維度隱藏變量，該低維度隱藏變量經該解碼器處理後得到一高維度代表特徵； 一降維模組，接收並分析該低維度隱藏變量及該高維度代表特徵，並降維產生一特徵資料； 一集群模組，接收並集群分析該特徵資料；及 一歸一化指數函數單元，接收自該集群模組輸出的分析結果，並對該分析結果進行歸一化處理以產生至少一預測機率來代表該匯款請求異常程度的可能性。
- 如請求項1所述的匯款即時檢核系統，其中該處理裝置係被裝配以將該自動編碼器模組設置為非監督式學習的深度學習模型。
- 如請求項1所述的匯款即時檢核系統，其中該降維模組包括一PCA單元及一t-SNE分析單元，該PCA單元接收並分析該低維度隱藏變量及該高維度代表特徵，並接續由該t-SNE分析單元分析，以降維產生一特徵資料。
- 如請求項1所述的匯款即時檢核系統，其中該特徵資料為一二維平面。
- 如請求項1所述的匯款即時檢核系統，其中該集群模組包括一Ｋ－集群分析單元，該Ｋ－集群分析單元接收並集群分析該特徵資料。
- 如請求項1所述的匯款即時檢核系統，其中該歸一化指數函數單元並將之投射為一向量，該向量包括介在一預定範圍的至少一實數，該至少一實數分別代表該預測機率。
- 如請求項6所述的匯款即時檢核系統，其中該向量包括介在0~1之間之該預定範圍的五個實數。
- 如請求項6所述的匯款即時檢核系統，其中該至少一實數分別代表該匯款請求異常程度屬正常的該預測機率、該匯款請求異常程度屬輕微正常的該預測機率、該匯款請求異常程度屬無法決定的該預測機率、該匯款請求異常程度屬輕微異常的該預測機率及該匯款請求異常程度屬強烈異常的該預測機率。
- 如請求項6所述的匯款即時檢核系統，其中該至少一實數中最高者係該匯款請求異常程度的預測結果。
- 如請求項1所述的匯款即時檢核系統，其更包括一警示裝置在預測該匯款請求異常程度高時發出一警報警示異常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110215748U TWM629361U (zh) | 2021-12-30 | 2021-12-30 | 匯款即時檢核系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110215748U TWM629361U (zh) | 2021-12-30 | 2021-12-30 | 匯款即時檢核系統 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWM629361U true TWM629361U (zh) | 2022-07-11 |
Family
ID=83437635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110215748U TWM629361U (zh) | 2021-12-30 | 2021-12-30 | 匯款即時檢核系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWM629361U (zh) |
-
2021
- 2021-12-30 TW TW110215748U patent/TWM629361U/zh not_active IP Right Cessation
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11960981B2 (en) | Systems and methods for providing machine learning model evaluation by using decomposition | |
| US10430690B1 (en) | Machine learning predictive labeling system | |
| US20220269992A1 (en) | Prediction characterization for black box machine learning models | |
| CN109284371B (zh) | 反欺诈方法、电子装置及计算机可读存储介质 | |
| CN111914562B (zh) | 电子信息分析方法、装置、设备及可读存储介质 | |
| CN111222981A (zh) | 可信度确定方法、装置、设备和存储介质 | |
| CN112883990A (zh) | 数据分类方法及装置、计算机存储介质、电子设备 | |
| CN116759053A (zh) | 基于物联网系统的医疗体系防控方法及系统 | |
| US20230052225A1 (en) | Methods and computer systems for automated event detection based on machine learning | |
| CN117575595A (zh) | 支付风险识别方法、装置、计算机设备及存储介质 | |
| TWM629361U (zh) | 匯款即時檢核系統 | |
| US20220237523A1 (en) | Electronic device for performing federated learning using hardware secure architecture and federated learning method using the same | |
| CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
| TW202326566A (zh) | 匯款即時檢核方法及系統 | |
| CN115567224A (zh) | 一种用于检测区块链交易异常的方法及相关产品 | |
| CN115640378A (zh) | 工单检索方法、服务器、介质及产品 | |
| CN115204322A (zh) | 行为链路异常识别方法和装置 | |
| CN115760438A (zh) | 数字化动态核保系统、方法、设备及存储介质 | |
| CN112487394B (zh) | 图形推理验证码识别方法、系统、设备及介质 | |
| US11544783B1 (en) | Heuristic credit risk assessment engine | |
| CN111582404B (zh) | 内容分类方法、装置及可读存储介质 | |
| CN114743030A (zh) | 图像识别方法、装置、存储介质和计算机设备 | |
| CN114298563A (zh) | 一种告警信息的分析方法、装置及计算机设备 | |
| JP2020166645A (ja) | 予測モデル評価システム、予測モデル評価方法 | |
| JP6547341B2 (ja) | 情報処理装置、方法及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4K | Annulment or lapse of a utility model due to non-payment of fees |