भुगतान धोखाधड़ी की रोकथाम में मशीन लर्निंग मॉडल्स की भूमिका को समझने के लिए एक पुनरुत्पादक बेंचमार्क की आवश्यकता है। इस बेंचमार्क में विलंबता, लागत, और पुनरुत्पादकता पर ध्यान केंद्रित किया जाता है, साथ ही यह भी देखा जाता है कि एजेंट वास्तव में अपनी कमाई कहां करते हैं।
भुगतान धोखाधड़ी एक गंभीर समस्या है जो वित्तीय संस्थानों और उनके ग्राहकों को प्रभावित करती है। इसकी रोकथाम के लिए विभिन्न तरीकों का उपयोग किया जाता है, जिनमें मशीन लर्निंग मॉडल्स भी शामिल हैं। इन मॉडल्स की प्रभावशीलता को मापने के लिए एक बेंचमार्क की आवश्यकता होती है जो विभिन्न मॉडल्स की तुलना कर सके।
इस बेंचमार्क में तीन मुख्य मापदंडों पर ध्यान केंद्रित किया जाता है: विलंबता, लागत, और पुनरुत्पादकता। विलंबता से तात्पर्य है कि मॉडल कितनी तेजी से निर्णय ले सकता है, लागत से तात्पर्य है कि मॉडल को चलाने के लिए कितना खर्च आता है, और पुनरुत्पादकता से तात्पर्य है कि मॉडल के परिणामों को कितनी बार दोहराया जा सकता है।
इस बेंचमार्क में GBDTs (ग्रेडिएंट बूस्टिंग डिसीजन ट्रीज) और एजेंटों की तुलना की जाती है। GBDTs एक प्रकार का मशीन लर्निंग मॉडल है जो डेटा को विभाजित करके निर्णय लेता है, जबकि एजेंट वे होते हैं जो वास्तविक समय में निर्णय लेते हैं। इस बेंचमार्क में देखा जाता है कि कौन सा मॉडल विलंबता, लागत, और पुनरुत्पादकता के मामले में बेहतर प्रदर्शन करता है।
इस बेंचमार्क के परिणाम यह दिखाते हैं कि GBDTs गर्म पथ में बेहतर प्रदर्शन करते हैं, जिसका अर्थ है कि वे वास्तविक समय में निर्णय लेने में तेजी से होते हैं। दूसरी ओर, एजेंट ठंडे पथ में बेहतर प्रदर्शन करते हैं, जिसका अर्थ है कि वे अधिक सटीक निर्णय लेते हैं लेकिन धीमी गति से।
इस बेंचमार्क के परिणाम यह भी दिखाते हैं कि एजेंट वास्तव में अपनी कमाई कहां करते हैं। एजेंटों की तुलना में GBDTs की लागत कम होती है, लेकिन एजेंटों की सटीकता अधिक होती है। इसका मतलब है कि एजेंटों का उपयोग तब किया जा सकता है जब सटीकता अधिक महत्वपूर्ण होती है, जबकि GBDTs का उपयोग तब किया जा सकता है जब गति अधिक महत्वपूर्ण होती है।
इस बेंचमार्क के परिणाम भुगतान धोखाधड़ी की रोकथाम में मशीन लर्निंग मॉडल्स के चयन के लिए महत्वपूर्ण हैं। यह बेंचमार्क वित्तीय संस्थानों को यह तय करने में मदद कर सकता है कि कौन सा मॉडल उनकी आवश्यकताओं के लिए सबसे उपयुक्त है।