由于在线游戏所使用的软件的进步，iGaming领域的快速发展成为可能。为了给用户提供令人兴奋的高质量产品，行业需要深入理解高负载、大数据、高可用性、高扩展性、实时性和低延迟等前沿技术、理念和方法。因此，iGaming 软件开发商正在推动该行业的全球发展，而这正是 PIN-UP.TECH 正在做的事情。

PIN-UP.TECH 部门是 PIN-UP Global 生态系统的一部分，由专门为其所有成员开发软件的 IT 公司组成。 PIN-UP.TECH的成就之一是独特的技术解决方案，使合作伙伴能够保持领先地位并为玩家提供高质量的服务。来自不同国家的 500 多名专家参与了 PIN-UP 的技术指导，确保了 iGaming 平台、CRM、反欺诈工具、联盟系统等的稳定性。这个专业团队的领导者包括首席分析官 Volodymyr Todurov，他向 SiGMA News 分享了他们独特的工作经验。 

您能否告诉我们更多有关 ML/AI 模型以及它如何为您服务的信息？

基于人工智能的决策模型会仔细审查与每笔交易相关的众多参数，包括投注频率、投注规模、所选赛事及其历史等变量。这些参数在模型中进行分析，识别那些表现出最高预测效果的参数并将其纳入预测过程。 

我们采用了机器学习，主要关注极端梯度增强模型，该模型以其对结构化数据的功效而闻名。这种方法的关键在于构建一个模型集合，这些模型可以迭代地相互完善，从而提高预测的准确性。该模型以广泛的投注历史记录作为输入，并产生 0..1 范围内的概率，表明用户参与欺诈活动的可能性。

与传统反欺诈模型相比，基于人工智能的反欺诈模型有哪些优势？

当我们面对大量数据时，机器学习/人工智能模型的效用就变得显而易见。它们提供了更强的概括信息和识别客户行为模式的能力，而这些模式无法使用手动交易分析或线性规则应用等方法。

人工智能作为运营团队的附加工具包，通过减少个别案例的错误率和决策时间来简化流程，同时还为我们的客户提供新的见解。在某些方面，人工智能通过采用略有不同的决策方法来丰富我们的专业知识并拓宽我们的视角。现在许多任务可以委托给人工智能并具有自主权。 

因此，人工智能可以在不成比例增加风险管理团队的情况下促进业务量的扩展，通过消除繁琐的例行程序来简化日常运营，并提供更深入地分析其他流程的机会。

您认为基于人工智能的反欺诈工具如何发展以及未来可以解决哪些问题？

在团队内部，我们概述了如何看待使用机器学习和人工智能的反欺诈工具的开发，并制定了进一步实施这些技术的计划。我们的下一步涉及使用尖端的深度神经网络和生成人工智能来构建决策系统。通过缩短决策时间，我们越来越接近提高发现欺诈性客户行为的准确性和速度的目标。

这种方法具有学习和适应的能力，可以深入了解每个客户的历史，利用各种场景来查明包括欺诈者在内的特定群体。这些新工具一旦经过磨练，对于反欺诈团队的日常工作来说是真正的发现。

对于大企业来说，他们就像一个可信赖的伙伴，可以进行回顾性检查，确保我们正确地将所有客户标记为“好”或“坏”，因此经理们不必担心，因为他们知道他们没有错过任何麻烦制造者。对于小型企业来说，它们是游戏规则的改变者，立即消除了对庞大分析师团队的需求。让人工智能接管手动任务，让反欺诈部门的效率飞速提升。

有哪些方法可以进一步提高防污流程的效率？请简单介绍一下您的方法。 

每个团队根据业务方向和专家数量，都有自己提高效率和智能解决复杂问题的秘诀。对于我们来说，这绝对是基于 DDDM 方法的程序自动化，它使我们能够跳出框框进行思考。我们评估所有工作流程以寻求优化点。我们的目标是找到手动程序，即所谓的“猴子工作”，使其自动化。 

这个问题可以通过不同的方式解决：我将举几个我们过去几年运营中的例子。此前，反欺诈分析师需要导出一些 csv 表来合并它们，以便根据财务和赌博历史了解玩家帐户是否存在某些行为变化。我们意识到，只需创建一个包含所需数据透视表和图表的新的默认实时仪表板，就可以为每个案例节省至少 10-15 分钟的手动操作。 

另一个案例是审查当前的运营情况。我们来看看提现确认流程。基于 DDDM 方法，我们分析了导致手动提款确认的每个原因的证据权重。其中一些原因是为了应对某些欺诈案件而创建的，以密切关注潜在的退货欺诈行为。然而，业务的扩大和来自新GEO的更多新参与者导致规则的性能下降。因此，我们采用了该规则，并将团队的工作量生产力提高了 15%。这里的要点是根据负载和生产力测量对工作流程操作进行持续分析，以找到管理和自动化相结合的优化方案。 

企业需要建立哪些流程来集成DDDM模型，需要多长时间，以及产生收入的速度有多快？

关于 DDDM 的要点是心态。高级管理人员必须否认所有基于感情、希望和“专业知识”的论点。我的意思是，这种方法应该仅用于某些例外情况，即当您没有数据来计算您的决策时。或者当问题不值得付出努力时。每次您想要对产品进行更改时，请向团队询问有关数字的信息。

最常见的错误是所谓的幸存者偏差。请注意，您通过对实体的相关范围进行端到端分析来得出结论。根据实践，管理者经常忘记对这个问题提出直截了当的看法。我将在反欺诈行动中举一个例子。一位经理根据过去 4 个月内的欢迎奖金滥用情况进行了回顾性欺诈活动分析。 83% 的用户使用相同的模式来创建警报评分触发器：首次存款超过 13 美元、使用预付银行卡、IP 分析不匹配（可能是代理或 VPN）。看起来不错，是吗？ 

然而，我要求计算一下，如果我们将此触发器推断给全新用户，是否仍然有良好的效率。评分模型显示效率为 5%。因此，某些属性组合可以完美地描述一组欺诈用户，并且对于更大一部分良好用户来说仍然很常见。顺便说一句，我们在那些受欢迎的奖金猎人触发器中添加了一些游戏风格模式，以与优秀玩家隔离并保持触发器处于生产状态。

使用 DDDM 从第一天起就会带来价值。您将避免错误并提高生产力。要点是要求团队展示他们的人数，作为做出业务决策的主要论据。

弗拉基米尔的简介：

Volodymyr Todurov 拥有八年赌博经验，曾担任风险经理以及反欺诈和分析主管。他目前担任 PIN-UP Global 首席分析官。他是体育博彩、赌场、联盟计划、营销、支付系统风险管理运营方面的专家。 Volodymyr 专注于数据驱动的决策方法、经济建模和预测。