Rilevazione di Frodi nelle Transazioni Crypto
Scenario
Nel dinamico e complesso mondo delle criptovalute, la capacità di identificare transazioni e account potenzialmente fraudolenti è diventata una priorità cruciale. Deix, sfruttando la sua competenza unica nell'Intelligenza Matematica, ha collaborato con Deep4IT per sviluppare una soluzione innovativa in grado di analizzare i dati della blockchain e classificare gli account in base al rischio di frode.
La sfida
Deep4IT, attiva nello sviluppo di prodotti per l'analisi dei dati finanziari, si è trovata di fronte alla necessità di potenziare le proprie capacità di rilevamento delle frodi in ambito crypto. La sfida principale consisteva nel costruire un sistema capace di classificare gli account come fraudolenti o legittimi basandosi esclusivamente sullo storico delle transazioni, senza l'ausilio di fonti di dati esterne. Questo richiedeva l'identificazione di pattern comportamentali anomali e la gestione efficace della natura irregolare e spesso lacunosa dei dati della blockchain.
La soluzione
Deix ha risposto a questa sfida sviluppando una libreria di codice personalizzata, integrabile nei sistemi di Deep4IT, per l'addestramento di un modello di classificazione e l'inferenza su nuovi account. L'elemento chiave di questa soluzione è l'applicazione di reti neurali di tipo "transformer" – architetture all'avanguardia nel campo dell'elaborazione del linguaggio naturale – all'analisi delle serie temporali delle transazioni.
Raffinata gestione dei dati temporali
Il modello è in grado di gestire efficacemente "buchi" nei dati e disallineamenti temporali, intrinseci alla natura delle transazioni blockchain.
Estrazione di pattern complessi
L'architettura transformer consente di identificare correlazioni e dipendenze a lungo termine nelle sequenze di transazioni, rivelando pattern di frode difficili da individuare con approcci tradizionali.
Apprendimento continuo
Metodologie di Continual Learning permettono al modello di essere costantemente aggiornato. I Risultati del Progetto
I risultati del progetto
I modelli sviluppati da Deix hanno dimostrato performance superiori ai modelli di riferimento (CNN e LSTM), raggiungendo un'accuratezza superiore all'80%. Questo si traduce in una significativa riduzione dei falsi positivi e in un miglioramento dell'efficienza dei sistemi di rilevamento frodi. Prospettive
Le prospettive
La tecnologia sviluppata in questo progetto ha un ampio potenziale di applicazione in diversi ambiti:
Gli algoritmi possono essere adattati per l'analisi di serie temporali provenienti da conti bancari tradizionali, transazioni online e altre tipologie di dati finanziari.