AMLのユーザごとの学習モデルについて

hikaru

AMLの不正取引検知を行うフローを検討しております。複数ユーザーのアクション履歴を元にした学習モデルではなく、顧客個別のデータを学習に利用して顧客ごとの不正を検知するようなユースケースはございますでしょうか。

hikaru

説明が不足しておりましたので、分析の要件を補足いたします。

ユーザの操作を示すレコードからアノマリー検知を利用して、過去の振る舞いを元に最新の操作内容に異常がないかを検知したいと考えております。ただ、ユーザによって、操作内容がまちまちなので、全ユーザを一つのモデルで分析すると、正しい分析にならないことが予想される。そのため、ユーザ毎にモデルを分割し、ユーザ毎にアノマリー検知を行いたいと考えております。

Tsuyoshi

Dataikuを利用して、ユーザ毎にアノマリー検知を行っている実績は存在すると考えられますが、処理の詳細は公開されていないため、「ユースケース」としては公開されていない状況でした。ただ、一般論としましては、Dataikuでアノマリー検知を行いたい場合、Visual MLでクラスタリングモデルの作成時に「Anomaly Detection」を選んでいただけます。（アルゴリズムは「Isolation Forest」を利用）

一方で、現時点の仕様では、Isolation Forestのようなクラスタリングモデルは、パーティション毎の異なるモデル学習に対応していないため、ユーザー毎のパーティション単位で処理を行いたい場合、Visual MLの範囲では対応が難しいと考えられます。そこで、ユーザ毎に別々のモデルを構築したいような場合は、コードレシピを利用して、Pythonコード等で実装していただくことで対応が可能と考えられます。

以上、ピンポイントの回答ではなくて恐縮ですが、考え方としては以上のようになりますので、コメントさせていただきます。