Видеоаналитика против фрода: как умные камеры помогают в борьбе с потенциальными случаями мошенничества 

Фрод может исходить не только от внешних злоумышленников, но и от недобросовестных сотрудников, что негативно сказывается на финансовых показателях и репутации компании. Особенно сложно справляться с этой проблемой в крупных и разветвленных сетях, где человеческих ресурсов часто недостаточно для всестороннего контроля. В таких случаях на помощь приходят технологии искусственного интеллекта (ИИ), которые позволяют автоматизировать процесс выявления случаев потенциального мошенничества. 

Одна из федеральных сетей магазинов электроники и аксессуаров уже решила бороться с фродом с помощью ИИ.

Сеть насчитывает более тысячи торговых точек по всей России, в каждой из которых установлены камеры видеонаблюдения, используемые в основном службой безопасности. В условиях большого количества сотрудников и офисов инциденты, связанные с недобросовестными действиями работников, происходят регулярно, и их расследование требует значительных усилий. 

В компании есть отдел контроля качества обслуживания, который использовал эти камеры также для мониторинга случаев мошенничества. Сотрудники отдела самостоятельно просматривали записи с видеокамер, но при таком подходе не получалось проводить полноценный контроль — не хватало ресурсов. В компании уже были налажены алгоритмы, анализирующие кассовые операции и выявляющие среди них подозрительные. Они помогали проводить более “прицельный” контроль, но не давали полной информации. Возникла идея интегрировать видеоаналитику в связке с кассовыми алгоритмами для более глубокого анализа.

Команда билайн Big Data & AI, специализирующаяся на работе с ИИ и большими данными, разработала решение на базе компьютерного зрения для отслеживания потенциальных случаев мошенничества со стороны сотрудников заказчика. В контуре заказчика было установлено программное обеспечение, включающее нейросеть, обученную выявлять различные сценарии противоправных действий сотрудников. Нейросеть достигла точности определения инцидентов, сопоставимой с проверкойэксперта.

Модель отслеживает присутствие людей в кадре, а определение клиент/сотрудник происходит согласно их нахождению в разных зонах. Так “сотрудник” определяется, когда человек находится в кассовой зоне за стойкой. Также для разных сценариев нейросеть определяет терминал оплаты, кисти рук, предоставление документов, кассу и ее статус — закрыта или открыта. Терминал оплаты может быть перекрыт при подписании документов или во время оплаты, поэтому для таких случаев используется длинный трекер, который запоминает последнее местоположение терминала на протяжении минуты. Также фиксируются случаи саботажа камер: их отключение или перекрытие.

Система определяет более 10 различных сценариев потенциальных мошеннических действий. Одним из самых серьезных нарушений является ситуация, когда сотрудник получает наличные деньги от покупателя, но не вносит их в кассу. Также нейросеть выделяет ситуации осуществления возвратов, проведения платежей и оформления договоров без клиента. 
Каждый день система собирает отчеты по событиям для каждой камеры, фиксируя время нахождения клиента в зоне видимости, открытие кассы и подписи на терминалах оплаты. Потом эти данные анализируются вместе с отчетом кассовых операций в 1С и отправляются на проверку специалистам отдела качества, которые выносят финальное решение о наличии нарушений в тех или иных событиях.

В результате,за первые полгода работы нейросеть определила 19% действий как подозрительные, 47% из них подтвердились как нарушения. В настоящее время системауже интегрирована в 93 магазинах сети по всей России, и по результатам работы заказчик принял решение о расширении проекта до 200 точек до конца 2024 года. В планах по улучшению решения также автоматизация работы с другими бизнес-системами для минимизации человеческого участия в рутинной деятельности.

Реклама. ПАО «ВымпелКом» beeline.ru
Подробнее: 

16+

Источник фото: сайт freepik