CODE1NSTINCT Голосов: 1 Адрес блога: http://www.codeinstinct.pro/ Добавлен: 2013-01-17 01:24:57

Azure ML: Machine Learning as a Service

2015-09-11 19:05:00 (читать в оригинале)

Big Data-ready & LSML fashion.

Читать полностью

---

Big Data + Machine Learning в банках

2015-07-25 22:18:00 (читать в оригинале)

Читать полностью

---

Антифрод-сервис. Цикл статей

2015-04-01 01:09:00 (читать в оригинале)

Читать полностью

---

Антифрод: аналитическая система распознания мошеннических платежей

2015-04-01 00:34:00 (читать в оригинале)

Antifraud Insights». Часть 4

В заключительной четвертой части статьи подробно обсудим наиболее сложную с технической точки зрения часть antifraud-сервиса – аналитическую систему распознания мошеннических платежей по банковским картам.

Выявление различного рода мошенничеств является типичным кейсом для задач обучения с учителем (supervised learning), поэтому аналитическая часть антифрод-сервис будет построена одном из алгоритмов машинного обучения.

Для стоящей перед нами задачи воспользуемся Azure Machine Learning – облачным сервисом выполнения задач прогнозной аналитики (predictive analytics).

Для понимания статьи Вам необходимы будут базовые знания в области машинного обучения и знакомство с сервисом Azure Machine Learning.

Что уже сделано? (для тех не читал предыдущие 3 части, но интересуется)

В первой части статьи мы обсудили, почему вопрос мошеннических платежей (fraud) стоит так остро для всех участников рынка электронных платежей – от интернет-магазинов до банков – и в чем основные сложности, из-за которых стоимость разработки таких систем подчас является слишком высокой для многих участников ecommerce-рынка.

Во 2-ой части были описаны требования технического и нетехнического характера, которые предъявляются к таким системам, и то, как я собираюсь снизить стоимость разработки и владения antifraud-системы на порядок(и).

В 3-ей части была рассмотрена программная архитектура сервиса, его модульная структура и ключевые детали реализации.

В заключительной четвертой части у нас следующая цель…

Читать полностью

---

Antifraud (часть 2). Архитектура сервиса

2015-03-22 00:44:00 (читать в оригинале)

прошлой части мы сфокусировали внимание на функциональных и нефункциональных требованиях к антифрод-сервису. В этой части статьи рассмотрим программную архитектуру сервиса, его модульную структуру и ключевые детали реализации такого сервиса.

Инфраструктура

Сервис представляет собой несколько приложений, работающих в Microsoft Azure. Размещение с использованием облачной платформы вместо on-premise размещения не только позволит при незначительных временных затратах разработать сервис, отвечающий всем требованиям, перечисленным во второй части в разделе «Нефункциональные требования -> Атрибуты качества», но и существенно снизит первоначальные финансовые затраты на аппаратное и программное обеспечение.

Antifraud-сервис состоит из следующих систем:

• Antifraud API Service – REST-сервис, предоставляющий API для взаимодействия с сервисом Fraud Predictor ML.
• Fraud Predictor ML – сервис обнаружения мошеннических платежей, в основе которого лежат алгоритмы машинного обучения.
• Transactions Log (лог транзакций) – NoSQL хранилище информации о транзакциях.

Кроме того, у сервиса имеются многочисленные программные клиенты (Clients), представляющие собой web-приложения мерчантов, либо js-виджеты, вызывающие REST-сервисы Antifraud API Service.

Принципиальная схема взаимодействия этих систем проиллюстрирована ниже.

Читать полностью