Graphique neuronal les réseaux se remodèlent comment les entreprises traquent la fraude, déménagent détection au-delà des transactions isolées pour révéler des réseaux entiers cachés de mauvais acteurs. Comme l'adoption de l'IA s'accélère, les organisations sont découvrir que la véritable avancée ce n'est pas seulement des modèles plus rapides – c'est un système de données structure construite pour exposer des relations traditionnelles les systèmes manquent.
Ce changement se joue à grande échelle dans le travail anti-contrefaçon pharmaceutique, où la détection de la fraude est un cas d'utilisation courant pour les systèmes basés sur des graphiques, selon Thomas Luu (photo), directeur de la sécurité mondiale des produits chez Gilead Sciences Inc. L'équipe de Luu enquête sur les médicaments contrefaits et la fraude dans l'ensemble des activités commerciales mondiales de Gilead, un travail qui a nécessité la conversion de données relationnelles sous forme graphique pour suivre le rythme de systèmes de plus en plus sophistiqués.
« Grâce à la mise en œuvre de réseaux de neurones graphiques avec Neo4j, nous avons pu réellement faire apparaître ces réseaux cachés et nous permettre d'analyser nos données à un niveau et à une échelle qui n'étaient pas possibles auparavant en raison des limitations humaines », a déclaré Luu. « La fraude ne se produit pas avec une seule transaction. Elle se produit dans de nombreuses entités, et beaucoup de ces entités sont cachées. »
Luu s'est entretenu avec John Furrier de theCUBE lors de l'événement Neo4j GraphTalk, lors d'une diffusion exclusive sur theCUBE, le studio de diffusion en direct de SiliconANGLE Media. Ils ont discuté de la façon dont les réseaux de neurones graphiques et les graphiques de connaissances transforment les enquêtes sur les fraudes dans l'industrie pharmaceutique. (* Divulgation ci-dessous.)
Les réseaux de neurones graphiques révèlent des modèles invisibles aux analystes humains
Avant d'adopter la technologie graphique, l'équipe de Luu s'appuyait sur une comparaison manuelle d'ensembles de données disparates et nuancés – un processus qui dépendait fortement de l'expertise de chaque analyste et qui avait du mal à évoluer. L'équipe utilise désormais un modèle de détection à trois couches : une logique basée sur des règles pour les modèles connus, un apprentissage automatique traditionnel pour les anomalies statistiques et des réseaux neuronaux graphiques pour découvrir des schémas basés sur des relations qu'aucune des deux premières couches ne peut faire apparaître, a noté Luu.
« Nous ne voulons pas nous fier uniquement à une seule technique », a déclaré Luu. « Les règles sont géniales, le ML est génial, mais lorsque vous les combinez avec les GNN et la couche graphique, c'est à ce moment-là que vous commencez à voir des choses que vous n'auriez jamais pu voir auparavant. »
Le nettoyage et l'unification de ces données ont ouvert la voie à l'automatisation, permettant à l'équipe d'appliquer des réseaux de neurones graphiques et un apprentissage automatique graphique une fois que les données sous-jacentes étaient dignes de confiance. Les bénéfices vont au-delà de la vitesse de détection brute : les algorithmes de clustering intégrés au graphique regroupent automatiquement un acteur principal de la fraude avec des acteurs auxiliaires de moindre volume dont les signaux resteraient autrement enfouis dans les données agrégées. Cette capacité facilite également l'explication des résultats aux enquêteurs sans formation technique, puisque les relations entre les nœuds sont visuellement intuitives, a noté Luu.
« J'ai toujours dit que les meilleurs fraudeurs sont ceux qui se cachent dans les moyennes, et ils se cachent parmi leurs pairs et dissimulent leurs activités », a déclaré Luu. « Le graphique de relation – il vous dit exactement de quoi il s'agit. C'est très intuitif lorsque vous regardez un graphique de relation ou un graphique de connaissances. »
Voici l'interview vidéo complète, faisant partie de la couverture par SiliconANGLE et theCUBE de l'événement Neo4j GraphTalk :
(* Divulgation : TheCUBE est un partenaire média payant pour l'événement Neo4j GraphTalk. Ni Neo4j, le sponsor de la couverture de l'événement theCUBE, ni les autres sponsors n'ont de contrôle éditorial sur le contenu de theCUBE ou SiliconANGLE.)
