阅读TigerGraph机器学习解决方案.PDFVIP

使用TigerGraph提高机器学习的准确性 机器学习的崛起 根据国际数据公司（IDC）预测，到 2021 年，在人工智能和机器学习上的投资将从 2017 年的 120 亿美元增长到 576 亿美元（数据来源：福布斯杂志，2018 年 2 月）。 机器学习正在被应用于各种领域，例如反欺诈，反洗钱（AML）以 及在线销售中的产品推荐。 然而，想让当前的机器学习来识别一些诸如欺诈或洗钱的异常行为犹如大海捞针；因为为了 找到大海中的“针头”（例如欺诈者），我们必须对海量的数据进行分类和解析。 假设有一家电话公司，它的网络中每周 产生数十亿次的呼叫， 我们应该如何设计算法，让机器可以学会在海量的数据中找到欺诈行为的线索呢？ 现有训练机器学习的方法缺陷 让我们通过这个电话公司的例子，来探究一下当下通过机器学习识别欺诈者的方法。 现有的机器学习算法依靠于 原始训练数据——例如在上述案例中，训练数据就是被已经确证的欺诈电话。但是还需面对两个问题——训练数据的数 量和质量。 由于现有号码网络中能被确证的欺诈号码量不足总呼叫量的1％，因此可以作为训练数据的欺诈电话量也屈指可数， 这从