Il machine Learning per il rilevamento delle frodi in ambito bancario

Il problema delle frodi cresce in maniera sempre più ampia e le perdite generate da comportamenti fraudolenti arrivano a costare miliardi di dollari ogni anno. È impossibile contrastare le frodi senza l'utilizzo di sistemi decisionali che utilizzino algoritmi efficienti di rilevamento. Questo perché bisogna analizzare un enorme quantità di dati da in tempi brevi. Con l'utilizzo delle tecnologie attuali è possibile costruire sistemi che siano in grado di gestire e analizzare le informazioni e creare modelli di previsione. Tuttavia, la creazione di questi sistemi risulta complessa dato che è necessario processare un'ingente quantità di dati diversi e spesso sbilanciati. Inoltre, la scelta dell'algoritmo di machine learning da implementare non è sempre cosi chiaro. La tesi intende dimostrare che l'utilizzo di sistemi di machine learning sono validi strumenti contro il rilevamento delle frodi: analizzeremo nel corso dell'elaborato alcune possibili soluzioni al problema concentrandoci su 1) il modo di gestire i dati sbilanciati e come utilizzare tali dati in un esperimento; 2) dove e perché viene considerato migliore implementare metodi di machine learning supervisionati o non supervisionati nell'ambito della classificazioni delle frodi, 3); quale degli algoritmi di machine learning tra logistic regression, decision tree, random forest è più efficace per il problema del rilevamento delle frodi.