Cập nhật mô hình

28 Local Area Network

Analysis Database SQL

Như đã nói ở trên, một thuật toán nhận biết phương thức có chất lượng cao sẽ có những chức năng cho phép các thể chế tập hợp các xu hướng rửa tiền mới nhất vào mô hình mà không cần phải gửi các dữ liệu tới hệ thống phát hiện để xây dựng lại một mô hình hoàn chỉnh. Bằng cách sử dụng các dữ liệu giao dịch mới hơn, hệ thống này phát hiện các cơ chế rửa tiền mới xuất hiện một cách tốt hơn. Thuật toán của Nestor đã đạt được chức năng này.

Cập nhật mô hình chủ yếu bao gồm giai đoạn tập dượt thứ 2 của thuật toán mà ở giai đoạn này sác xuất cục bộ của mỗi nơron được ước tính. Việc này có thể được người sử dụng tiến hành trong máy production với chút ít kiến thức về quá trình phát triển mô hình. Cần tối thiểu là dữ liệu của 2 tháng được lấy ra, dán nhãn và làm mẫu. Các đặc trưng của mô hình cần được tạo ra và mô hình cần được cập nhật về các dữ liệu kết quả. Các dữ liệu thử nghiệm được cho điểm bằng mô hình hiện có và đã được cập nhật và hiệu suất của các mô hình được so sánh với nhau. Nếu như hiệu suất của mô hình vừa được cập nhật vượt quá mô hình hiện tại, thì mô hình được cập nhật được đưa vào vận hành. Nếu không thì mô hình hiện tại tiếp tục vận hành. Nestor khuyến nghị những người sử dụng cập nhật mô hình 3 tháng một lần mặc dù một vài người sử dụng cập nhật thường xuyên hơn.

Cập nhật mô hình phù hợp với sự thay đổi các phương thức hoạt động của kẻ rửa tiền và chủ tài khoản hợp lệ hay sự phát triển hoặc suy giảm của các danh mục đầu tư. Nó không phải là sự thay thế cho việc đạt được một danh mục đầu tư hoàn toàn mới, các thay đổi đáng kể về khối lượng theo mùa hay sự xây dựng lại một mô hình hoàn chỉnh 18 - 24 tháng 1 lần.

Chương 4: Cài đặt thử nghiệm

4.1. Giao diện hệ thống:

4.2. Tổ chức và quản lý dữ liệu:

4.3. Kiến trúc mạng nơron: 4.4. Giai đoạn huấn luyện mạng:

Với tập mẫu huấn luyện mạng

{p1,t1},{p2,t2},…,{pQ,tQ}

trong đó pqlà đầu vào và tq là đầu ra đích của mạng. Khi mẫu pq được lan truyền qua mạng và cho ra tín hiệu đầu ra là aq, thuật toán sẽ điều chỉnh các 4.5. Sử dụng mạng để cảnh báo hiện tượng rửa tiền:

Kết luận và hướng phát triển

Các thể chế tài chính và các cơ quan chính phủ ngày càng nhận thức rõ về số vụ rửa tiền ngày càng nhiều một cách đáng báo động và về những thiệt hại mà nó gây ra với một thực thể tài chính và nền kinh tế. Các mô hình mạng lưới neural phát hiện rửa tiền có thể phát triển sử dụng các dữ liệu giao dịch trong trường hợp chỉ có một số ít các dữ liệu mục tiêu. Các mô hình này đã chứng tỏ khả năng phát hiện các tài khoản rửa tiền đáng kể hơn so với các hệ thống dựa

vào các quy tắc truyền thống với một tỷ lệ khẳng định sai khả quan hơn. Một khi được hợp nhất với giải pháp quản lý rủi ro, mô hình mạng lưới neural có thể bổ sung cho cả mạng lưới tổng thể, hỗ trợ các thể chế tài chính đáp ứng được các yêu cầu báo cáo về các giao dịch khả nghi cũng như đưa ra sự bảo vệ chắc chắn cho danh tiếng cũng như sự toàn vẹn của thể chế.

Tài liệu tham khảo

1 – Lê Minh Trung và Lê Văn Thiện - Mạng Nơron nhân tạo (Giáo trình). Nhà XB Thống kê.

2 – 3 –

Mục lục