偽造注文やクレジットカードの不正使用の件数が増える中で、EC運営者の懸念点となるのがFalse Positiveです。
これはクレジットカードの決済がされた場合にその取引が悪質ではないにも関わらず、カード会社が悪質であると誤検知した場合のことを言います。これはチャージバックや顧客満足度の低下による収益の減少にも繋がります。本記事では、False Positiveの対策方法を紹介していきます。
1つ目は、不正侵入検知システムであるIDSやIPSの導入です。これらのシステムをFalse Positiveの警告元とし、ビックデータ解析、統計学やAIを使用したデータマイニングや機械学習に適応させることで、False Positiveの件数を減少させることができます。
2つ目は、機械学習であるシャローラーニングとディープラーニングを取り入れることが必要です。この場合、それぞれ予め分類・項目別に整理されたデータセットを必要とするsupervised algorithmsとそうする必要がないunsupervised algorithms の2種類の方法があります。
シャローラーニングのsupervised algorithmsはニューラルネットワーク、隠れマルコフモデル(HMM)、K近傍法(KNN)、ランダムフォレスト(RF)、単純ベイズ分類(NB)、ロジスティック回帰、サポートベクターマシン(SVM)を含み構成されたアルゴリズムです。Unsupervised algorithmsはクラスタリングと関連付けを用いて構成されたアルゴリズムです。
ディープラーニングはより複雑に階層化されたアルゴリズムを用いて構成されます。ディープラーニングのsupervised algorithmsは完全に接続された先行予測型ディープニューラルネットワーク(FNN)、再生ディープニューラルネットワーク(RNN)と畳み込み先行予測型ディープニューラルネットワーク（CNN）で構成されます。ディープラーニングのunsupervised algorithmsは単層ネットワークのautoencoderを積み重ねたものであるstacked autoencoder (SAE)とディープ・ブリーフ・ネットワーク（DBN）で構成されます。
Eコマース業界の収益が年々増加していく中で、EC運営者にとってFalse Positiveの回避をすることは不可欠となります。このような機械学習を取り入れる上で、より効率的にFalse Positiveを回避しビジネス拡大に努めましょう。
Lizuna (https://lizuna.com/) は、３つのテクノロジーを用いてオンラインショッピングサイト上の詐欺や悪意のある注文を監視・防止する会社です。EC運営者の安全なビジネス経営のため、日々研究に刻苦勉励しています。
参考文献
Pietraszek, Tadeusz. (2005). Data mining and machine learning — toward reducing false positives in intrusion detection. ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S1363412705000361
Chauhan, S., Vig, L., Grazia, M., Corbetta, M., Ahmad, S. Zorzi, M. (2019, July 31). A Comparison of Shallow and Deep Learning Methods for Predicting Cognitive Performance of Stroke Patients From MRI Lesion Images. Frontiersin.org. https://www.frontiersin.org/articles/10.3389/fninf.2019.00053/full
Shostak, T. (2019, May 29). Using Machine Learning to Reduce False Positives While Combating Attacks: Part 1. Reblaze.
