MOLIYAVIY FIRIBGARLIKNI ANIQLASH LOYIHASI (MACHINE LEARNING ASOSIDA)

YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 207 MOLIYAVIY FIRIBGARLIKNI ANIQLASH LOYIHASI (MACHINE LEARNING ASOSIDA) Janobidinov Shohjahon Jaloldinovich Uqituvchi; Xolmatov A.A Farg’ona Davlat Texnika Universiteti tel: +998 99 999 89 57, e-mail: [email protected] https://doi.org/10.5281/zenodo.18009944 Umumiy Ko‘rinish (Overview): Ushbu case study (amaliy misol) real hayotdagi vaziyatga bag‘ishlangan: moliyaviy xizmat ko‘rsatish kompaniyasi firibgarlar tomonidan hujumga uchraydi, ular foydalanuvchi hisoblarini nazorat qilib, shubhali o‘tkazmalar va naqd pul chiqarish orqali mablag‘larni olib ketadi. Accredian Data Science Content Specialist Internship doirasida men 6,3 milliondan ortiq tranzaksiya ma’lumotlar to‘plami bilan ishladim, firibgarlik tranzaksiyalarini aniqlash uchun machine learning texnikalarini qo‘lladim va natijalarni biznes uchun tayyor tavsiyalar va qarorlar shaklida taqdim etdim. Muammo Bayonoti (Problem Statement)Bir fintech kompaniyasi firibgarlikning ortishi bilan yuzlashmoqda: yomon niyatli shaxslar foydalanuvchi hisoblariga kirib, ruxsatsiz tranzaksiyalarni amalga oshiradi. Asosiy maqsadlar: • Machine learning modeli yordamida firibgarlik tranzaksiyalarini aniqlash. • Model qarorlarini tahlil qilish va firibgarlikni yuzaga keltiruvchi omillarni aniqlash. • Real vaqt rejimida firibgarlikni oldini olish bo‘yicha biznes tavsiyalarini berish. Maqsadlar (Objectives) • Juda kam uchraydigan firibgarlik holatlari (fraud cases < 0.1%) mavjud bo‘lgan sharoitda mustahkam firibgarlik aniqlash modelini ishlab chiqish. • Precisionga zarar yetkazmasdan recallni optimallashtirish, ya’ni noto‘g‘ri ijobiy natijalarni minimal darajada saqlash. • Tahlil natijalarini ichki manfaatdor tomonlar uchun amaliy biznes strategiyasiga aylantirish. Ma’lumotlar To‘plami (Dataset Snapshot) Hajmi: 6,362,620 qator × 10 ustun Vaqt Bosqichlari (Time Steps): 1 qadam = 1 soat (30 kun) Asosiy Xususiyatlar (Key Features): type, amount, oldbalanceOrg, newbalanceOrig, nameDest, isFraud Eslatma: Firibgarlik faqat TRANSFER va CASH_OUT turidagi tranzaksiyalarda yuz beradi Qadam-baqadam Yondashuv (Step-by-Step Approach) 1. Ma’lumotlarni Tahlil Qilish (Data Exploration)Dastlabki tahlil shuni ko‘rsatdiki: • Firibgarlik faqat TRANSFER va CASH_OUT tranzaksiyalarida sodir bo‘ladi. • Firibgarlar ko‘pincha qabul qiluvchi hisobdagi balansni o‘zgartirmaydilar. • Manba va qabul qiluvchi hisoblar o‘rtasida mos kelmasliklar aniqlanishi natijasida quyidagi yangi xususiyatlar yaratildi: YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 208 o errorOrig = yuboruvchi hisobdagi tranzaksiya oldi va keyingi balans farqi o errorDest = qabul qiluvchi hisobdagi balans mos kelmasligi 2. Xususiyatlarni Yaratish (Feature Engineering) Firibgarlik signalini aniqlashni yaxshilash uchun quyidagi xususiyatlar yaratildi: • errorOrig / errorDest — hisob balanslaridagi nomuvofiqliklar • sender_txn_count / receiver_txn_count — mule (firibgar) hisoblarning faoliyatini aniqlash • step_gap — botga o‘xshash tezkor tranzaksiyalarni aniqlash • Quyidagi flaglar: o isToMerchant — biznes hisoblarini belgilash o isLargeAmount — katta miqdordagi tranzaksiya urinishlarini belgilash 3. Klasslar nomuvofiqligini boshqarish (Handling Class Imbalance) • Firibgarlik holatlari 0.1% dan kam bo‘lib, ma’lumotlar to‘plami juda nomuvofiq bo‘lgan. • SMOTE qo‘llanilib, trening ma’lumotlarida firibgarlik holatlari orttirildi. • Random Forest Classifier ishlatildi, class weighting yordamida o‘rganish balanslandi. • XGBoost modeli bilan interpretatsiya qilish va performansni oshirish bo‘yicha tajribalar o‘tkazildi. 4. Threshold Tuning (Chegara qiymatini sozlash) • Ko‘pgina modellar standart holatda firibgarlikni 0.5 threshold bilan aniqlaydi. • Ammo firibgarlikni aniqlashda firibni o'tkazib yuborish (miss) noto‘g‘ri signalga qaraganda ancha qimmatga tushadi. Karthik Murali M. hikoyalarini pochta qutingizda oling.Medium’da bepul a’zo bo‘ling va ushbu muallifdan yangilanishlarni oling. Threshold (Chegara), Recall va Precision Threshold Recall Precision 0.5 0.50 1.00 0.3 0.75 1.00 • Threshold qiymatini 0.3 ga tushirish recallni sezilarli darajada oshirdi, precisionni yo‘qotmasdan. • : • Ma’lumotlarni Tadqiqiy Vizualizatsiyasi (Exploratory Data Visuals) Tranzaksiya Turi vs Firibgarlik Darajasi (Transaction Type vs Fraud Rate) Rasmlarni to‘liq ko‘rish uchun enter tugmasini bosing yoki rasmni kattalashtiring. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 209 tahlil Natijasi (Insight): • TRANSFER tranzaksiyalarining 0.75% dan ortig‘i firibgarlik hisoblanadi. • CASH_OUT tranzaksiyalari keyingi o‘rinda, taxminan 0.18% firibgarlik darajasi bilan. • Boshqa tranzaksiya turlarida deyarli firibgarlik kuzatilmagan. Tranzaksiya Miqdori vs Firibgarlik Holati (Transaction Amount vs Fraud Status) Rasmlarni to‘liq ko‘rish uchun enter tugmasini bosing yoki rasmni kattalashtiring. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 210 Tahlil Natijasi (Insight): • Firibgarlik tranzaksiyalari yuqori miqdorlarda va past dispersiya bilan jamlangan. • Bu hujumchilar maksimal foyda olish uchun yuqori qiymatli hisoblarni nishonga olishini ko‘rsatadi. ✅ Model Natijalari (Model Results) Metric Score AUC-ROC 0.9998 Precision 1.00 Recall 0.75 Accuracy 1.00 Confusion Matrix Tahlili (Confusion Matrix Analysis) YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 211 Tahlil Natijasi (Interpretation): • Hech bir qonuniy foydalanuvchi noto‘g‘ri belgilanmagan (0 false positives). • 2 ta firibgarlik aniqlanmagan — bu recallni yanada nozik sozlash imkoniyatini ko‘rsatadi. • Klass nomuvofiqligi hisobga olinsa, bu mijoz ishonchi uchun hech qanday xarajat bo‘lmagan kuchli baseline hisoblanadi. Biznes Tavsiyalari (Business Recommendations): Firibgarlik xavfini kamaytirish va foydalanuvchi tajribasini saqlash uchun quyidagilarni tavsiya qilaman: • Quyidagi tranzaksiyalarni belgilash: o Type TRANSFER yoki CASH_OUT bo‘lsa o Amount > ₹200,000 bo‘lsa o Yuboruvchi balans 0 ga tushgan, lekin qabul qiluvchi hisobida o‘sish kuzatilmagan bo‘lsa • Har bir tranzaksiyani real vaqt rejimida baholaydigan fraud score API ni integratsiya qilish. • Yuqori xavfli tranzaksiyalarni avtomatik ishlov berishdan oldin qo‘lda tekshirish. • Explainable AI vositalari (masalan, SHAP dashboards) ni qo‘llash, compliance va audit izlarini ta’minlash. Asosiy O‘rganilgan Sabaklar (Key Learnings): • Real hayotdagi firibgarlik vaziyatlarida class imbalance ta’sirini tushundim. • Xarajatga sezgir prognozlar uchun threshold tuningni o‘rgandim. YOSH OLIMLAR ILMIY-AMALIY KONFERENSIYASI in-academy.uz/index.php/yo 212 • Texnik ML natijalarini biznes tiliga aylantirish bo‘yicha tajriba orttirdim. Ma’lumot vizuallari va confusion matrix tahlillari yordamida hikoya qilish qobiliyatini mustahkamladim.