राज्य नियंत्रण में जोखिम की पहचान कैसे करें और इस मशीन सीखने के लिए क्यों

राज्य जोखिम प्रबंधन के विषय पर पिछले लेख में , हम मूल बातों के माध्यम से गए थे: राज्य अधिकारियों को जोखिमों का प्रबंधन क्यों करना चाहिए, उन्हें कहां देखना चाहिए, और आकलन करने के लिए दृष्टिकोण क्या हैं। आज हम जोखिम विश्लेषण प्रक्रिया के बारे में बात करेंगे: कैसे उनकी घटना के कारणों की पहचान करें और उल्लंघनकर्ताओं की पहचान करें।

जोखिम का आकलन

जोखिम का आकलन करने के लिए - एक स्थिर के ढांचे के भीतर, हालांकि गतिशील दृष्टिकोण - आपको इसके कारणों, घटना की स्थितियों को खोजने और मुख्य विशेषताओं को निर्धारित करने की आवश्यकता है: कार्यान्वयन से संभावना और संभावित क्षति।

उदाहरण के लिए, सीमा शुल्क निकासी: देश में किसी भी उत्पाद को आयात करते समय, विभिन्न सूचनाओं (लागत, वजन, पैकेजिंग, प्रेषक, प्राप्तकर्ता, आदि) को छोड़कर, एक विशेष क्लासिफायर के अनुसार घोषणा में किया जाना चाहिए - विदेशी आर्थिक गतिविधि (एफईए) के कमोडिटी रेनकल। माल के लिए यह कोड तब सीमा शुल्क (TN FEA + दरों) के अनुसार कर्तव्य निर्धारित करता है।

सीमा शुल्क टैरिफ एक जटिल क्लासिफायरियर है: पहली नज़र में, कुछ वस्तुओं को अलग-अलग शुल्क दरों के साथ अलग-अलग कोड के लिए जिम्मेदार ठहराया जा सकता है। उदाहरण के लिए, आप जटिल खनन उपकरणों से निपट सकते हैं, केवल इसकी ड्राइंग में। इसलिए बजट में कम पैसे देने के लिए आयातक को गलत (लेकिन सच्चाई के समान) घोषित करने का प्रलोभन दिया गया।

इसलिए हमने सीमा शुल्क भुगतान को समझने के लिए घोषणा में एक अविश्वसनीय उत्पाद कोड के जोखिम - जोखिम की पहचान की । कारण अलग-अलग शुल्क दरों के साथ "बॉर्डरलाइन" पदों के वर्गीकरण में उपस्थिति है।

इस तरह के जोखिम की घटना के लिए स्थितियों का पता लगाना अधिक कठिन है - जब और किस सामान के साथ व्यवहार में होता है। ऐसा करने के लिए, आपको एक जोखिम विश्लेषण करने की आवश्यकता है: नियंत्रण की वस्तुओं के अवलोकनों के इतिहास का अध्ययन करने के लिए, यह पता लगाने के लिए कि कब और किसने गलत उत्पाद कोड घोषित किया, और इन मामलों की कुछ सामान्य विशेषताओं की पहचान की। इससे भविष्य के जोखिम प्रबंधन के लिए नियम तैयार करना संभव हो जाएगा: किन वस्तुओं पर हमें जोखिम देना होगा और किस ऑडिट के अधीन होना होगा।

इन नियमों को प्राप्त करने का सबसे आसान तरीका अपने कर्मचारियों के विशेषज्ञ निर्णय पर भरोसा करना है।

विशेषज्ञ नियम

जोखिमों की पहचान करने के लिए इस तरह के नियम विषय विशेषज्ञ हैं। वे अपने कार्य अनुभव से निर्देशित होते हैं या उन सहयोगियों की राय को सारांशित करते हैं जो हर दिन उल्लंघन करने वालों का सामना करते हैं। परिणाम "अगर ... तो ..." फॉर्म का सरल निर्णय है।

जोखिम की घटना की संभावना और इस मामले में खतरे से संभावित नुकसान "आंख से" या मोटे अनुमान से निर्धारित होता है।

विशेषज्ञ नियमों का लाभ मनुष्य द्वारा उनके संकलन और व्याख्या में आसानी है। नुकसान यह है कि बड़ी संख्या में व्यक्ति, दोनों उल्लंघनकर्ता और आर्थिक गतिविधि के सम्मानजनक विषय, एक साथ नियम के तहत गिर सकते हैं। इसलिए, नियंत्रण की प्रभावशीलता कम होगी। उसी समय, कुछ उल्लंघनकर्ता गुजरेंगे, जिस पर विशेषज्ञ पता नहीं लगा सकता है और खाता पैटर्न में ले जा सकता है।

उदाहरण के लिए, सीमा शुल्क नियंत्रण के लिए एक विशेषज्ञ नियम हमें बताता है कि सेब के सभी बैचों का मूल्य एक निश्चित सीमा से कम है, जो जोखिमों से संबंधित हैं:



जब हम नियंत्रण करते हैं, तो हम अनियमितता (लाल) और काफी सामान्य प्रसव (हरा) दोनों सामान पाएंगे, जिसकी कम लागत को व्यक्तिगत छूट, ओवरस्टॉक के साथ प्रेषक के संघर्ष या उद्यमों के आर्थिक मॉडल द्वारा समझाया गया है।

इस सशर्त मूल्य सीमा (लाल रेखा) के ऊपर कुछ भी नियंत्रण से बाहर हो जाएगा (ग्रे सर्कल)। लेकिन अगर हम उन्हें भी जांचते हैं, तो हम सही मायने में वैध प्रसव और प्रसव दोनों प्राप्त करेंगे, जिसका वास्तविक मूल्य घोषणा में बताई गई मात्रा से अधिक है (लाल धराशायी रूपरेखा के साथ ग्रे सर्कल) और जिसके लिए सीमा शुल्क का भुगतान पूर्ण रूप से नहीं किया जाता है।

इसलिए, विशेषज्ञ नियमों के आवेदन में आमतौर पर नियंत्रण और कम प्रदर्शन की वस्तुओं का अत्यधिक कवरेज होता है (याद रखें, पहले लेख से हमारे बक्से?):



विशेषज्ञों को दोष नहीं दिया जाना चाहिए: मानव चेतना उन वस्तुओं में सीमित है जिनके साथ यह काम कर सकता है (एक उत्सुक लेख एक बार हैबर पर प्रकाशित हुआ था, जिसमें से लेखक ने सुझाव दिया था कि उनकी संख्या सात तक सीमित है)। इसलिए सटीक विवरणों के बजाय बड़े स्ट्रोक: मान लीजिए, आग लगने का जोखिम केवल उस वर्ष द्वारा निर्धारित किया जाता है जब इमारत का निर्माण किया गया था, स्थान का क्षेत्र और निवासियों की श्रेणी। इन सभी विशेषताओं को एक बार "खेला": एक पुराने घर में आग लग गई, एक कमरे में एक दुस्साहसी क्षेत्र में आग लग गई। इसलिए, विशेषज्ञ इस प्रकार की वस्तुओं से भविष्य के खतरों की सटीक उम्मीद करते हैं।

लेकिन ये सभी "खतरनाक" इमारतें वास्तव में जलने वाली नहीं हैं, भले ही वे विशेषज्ञ नियम के तहत आते हों: कई पुराने और लकड़ी के घर खड़े होते हैं जैसे कि कुछ भी नहीं हुआ था। कुछ बदहाल मकान सालों से बिना आग के खड़े हैं। यह सिर्फ इतना है कि विशेषज्ञ खतरनाक वस्तुओं की कुछ सूक्ष्म व्यक्तिगत विशेषताओं को ध्यान में नहीं रख सकता है।

यह वह जगह है जहाँ मशीन लर्निंग खेल में आता है जो सांख्यिकीय जोखिम प्रोफाइल बनाने में मदद करता है। वे तब बनते हैं जब हम उल्लंघन के इतिहास और नियंत्रित वस्तुओं के बारे में जानकारी के लिए डेटा विश्लेषण तकनीकों को लागू करते हैं।

सांख्यिकीय जोखिम प्रोफ़ाइल

इस मामले में, हम बाइनरी वर्गीकरण की समस्या को हल करते हैं: एक विशेष विश्लेषणात्मक एल्गोरिथ्म स्वयं निर्धारित करता है कि वस्तुओं की कौन सी विशेषताएं उन्हें "बुरा" या "अच्छा" करने के लिए विशेषता देती हैं। यदि सब कुछ सही ढंग से किया जाता है, तो अंत में हमें काफी सटीक जोखिम आकलन मिलेगा: विस्तृत स्थिति और स्वचालित रूप से गणना की जाने वाली संभावना प्लस संभावित क्षति (जो, एक विशेषज्ञ दृष्टिकोण के साथ, किसी तरह "विशेषज्ञ" भी निर्धारित की जाती है)। ये विशेषताएँ एक "जोखिम प्रोफ़ाइल" को परिभाषित करती हैं - क्या, कहाँ, कब और कैसे डरावना।

सांख्यिकीय जोखिम प्रोफ़ाइल विभिन्न तरीकों से बनाई गई हैं। यह एक निर्णय वृक्ष या एक यादृच्छिक जंगल पर आधारित हो सकता है। आप बड़ी संख्या में छिपी हुई परतों के साथ एक मुश्किल तंत्रिका नेटवर्क को लागू कर सकते हैं।

लेकिन हम एसएएस में विश्वास करते हैं कि राज्य नियंत्रण के उद्देश्यों के लिए व्याख्या किए गए एल्गोरिदम के आधार पर सांख्यिकीय जोखिम प्रोफाइल बनाना बेहतर है, उदाहरण के लिए, प्रतिगमन या निर्णय वृक्ष । अभ्यास से पता चला है कि एक मशीन के सटीक, भले ही सटीक पूर्वानुमान होने पर भी एक राज्य निकाय के लिए खुद को उन्मुख करना मुश्किल है, अगर यह नहीं समझाता है कि इस सम्मानित व्यक्ति को खलनायक के रूप में चिह्नित क्यों किया गया है।

राज्य एजेंसी को यह समझने की जरूरत है कि कौन से कारक खतरे का संकेत देते हैं और उल्लंघन करने वालों में से एक ही विशेषताएं हैं, क्योंकि प्रबंधकीय निर्णयों को मंजूरी देने की प्रक्रियाएं हैं (जिनमें से एक विशेष मामला जोखिम प्रोफाइल हैं)। अधिकारी को यह समझना चाहिए कि वह वास्तव में "लड़ाई में" क्या लॉन्च करता है, क्योंकि वह जोखिम प्रोफ़ाइल के परिणाम के लिए जिम्मेदार है।

किसी भी सत्यापन को उचित ठहराया जाना चाहिए और इस औचित्य को शब्दों में व्यक्त किया जाना चाहिए। अन्यथा, फिर आपको अभियोजक के सामने ब्लश करना होगा और समझाना होगा कि यह कैसे पता चला कि राज्य एजेंसी देउस मकेना के रहस्यमय निर्देशों के आधार पर घरेलू व्यवसाय "पिंच" करती है।

इसलिए, सांख्यिकीय जोखिम प्रोफ़ाइल भी एक नियम की तरह दिखता है जिसे पढ़ा और समझा जा सकता है। केवल उन विशेषताओं की सूची, जो संभावित उल्लंघनकर्ताओं का वर्णन करती हैं, विशेषज्ञ प्रोफाइल की तुलना में बड़ा और अधिक जटिल है:


* प्रोफ़ाइल पैरामीटर मान बदले जाते हैं और वास्तविक लोगों के अनुरूप नहीं होते हैं

जोखिम संकेतकों (स्थितियों) का एक सेट थोड़ा विचित्र लग सकता है। लेकिन यह "महान टोना-टोटका" नहीं है - बस मशीन सीखने की तकनीक और हमारे पास सीमित जानकारी की मदद से, हम मानव व्यवहार के कुछ छिपे हुए पैटर्न का वर्णन करते हैं जो व्यवधान की ओर ले जाता है।

वही कर नियंत्रण में है - उल्लंघनकर्ता करदाताओं के कुल द्रव्यमान से कुछ निश्चित लेनदेन की मात्राओं की कुछ श्रेणियों, घोषणाओं को दर्ज करने की समय सीमा, कंपनी के कर्मचारियों के कर्मचारियों की संख्या, 30 की संख्या और 30 अलग-अलग सेटों का एक और सेट कर सकते हैं जो वैट को समझने वाले असंगत उद्यमियों का वर्णन कर सकते हैं।

एक व्यक्ति इन सभी विशेषताओं की तुलना करने में सक्षम नहीं होगा, वह तीन या पांच के साथ प्रबंधन करेगा, जो समझना आसान है। और कार्यक्रम कर सकते हैं। आवश्यकतानुसार विस्तृत। एक मॉडल का निर्माण करते समय, एल्गोरिथ्म स्वचालित रूप से डेटा के एक बड़े हिस्से पर पुनरावृत्ति करता है और पाता है कि अपराधियों में क्या आम है - भले ही यह पीले रंग के जाल में लाल संबंधों का प्यार हो।

यह उसकी व्यक्तिगत विशेषताओं में अपराधी के वर्णन के समान है: नाक, कान, भौंहों का मोड़, शर्ट के रंग और पैर की लंबाई। हम उसके चेहरे, ऊंचाई और वजन को नहीं जानते हैं, लेकिन हमारे पास उसकी हजार विशेषताएं हैं, जिसमें बाईं छोटी उंगली की फालानक्स की लंबाई भी शामिल है। इन मापदंडों में से प्रत्येक व्यक्तिगत रूप से आपराधिक इरादों को बाहर नहीं करता है - आपको किसी व्यक्ति को केवल उसके अंगों की वक्रता की त्रिज्या के लिए हथकड़ी लगाने की आवश्यकता नहीं है। लेकिन इन विशेषताओं का पूरा सेट एक साथ घुसपैठिए का एक सटीक चित्र बनाता है:



जब हम छिपे हुए पैटर्न के विश्लेषण के आधार पर विशेषज्ञ नियमों को सांख्यिकीय रूपरेखा पर लागू करते हैं, तो हम जानबूझकर अप्रभावी जांच से छुटकारा पा लेते हैं। निरंतर नियंत्रण का विशाल क्षेत्र उन वस्तुओं पर एक बिंदु प्रभाव को बताता है जो अनुचित व्यवहार के प्रकट पैटर्न के अंतर्गत आते हैं ।

ऊपर दिए गए सीमा शुल्क उदाहरण से सेब को याद करें। सांख्यिकीय मॉडल के प्रवेश द्वार को चेक का इतिहास सबमिट करने से, हमें एक जोखिम प्रोफ़ाइल मिलती है जो आयातकों-उल्लंघनकर्ताओं की व्यवहारिक विशेषताओं को ध्यान में रखती है, चाहे वे जिस कीमत पर माल की घोषणा करें:


* रिस्क प्रोफाइल मापदंडों के सेट को बदल दिया गया है और यह वास्तविक के अनुरूप नहीं है

यह है कि सांख्यिकीय जोखिम प्रोफ़ाइल "निर्णय पेड़" वर्ग के एल्गोरिदम का उपयोग करके बनाया गया है - इसका प्रत्येक स्तर अधिक से अधिक परीक्षण संस्थाओं के सेट को "अच्छे" और "बुरे" में अलग करता है और दिखाता है कि अलगाव के लिए कौन सी विशेषता सबसे महत्वपूर्ण है (एसएएस विज़ुअल सांख्यिकी स्क्रीनशॉट में):



सांख्यिकीय प्रोफाइल विशेषज्ञ लोगों की तुलना में बेहतर हैं - अधिक सटीक, अधिक चयनात्मक, निष्पक्ष। वे निष्क्रिय "वर्कआउट" की संख्या को कम करके निरीक्षण की प्रभावशीलता बढ़ाने में मदद करते हैं:



सांख्यिकीय प्रोफाइल का नुकसान यह है कि वे उल्लंघन की पहचान करने में पिछले अनुभव द्वारा निर्देशित होते हैं। जानी-मानी योजनाओं के लिए।

यदि सीमा शुल्क नियंत्रण के इतिहास में सामान आयात करते समय ख़ामोशी के मामले सामने आए हैं, तो एल्गोरिथ्म उल्लंघनकर्ताओं के संकेत ढूंढेगा और सांख्यिकीय जोखिम प्रोफ़ाइल बनाएगा। यदि हम कुछ नए उल्लंघन की तलाश कर रहे हैं जो अभी तक राज्य एजेंसी के ध्यान में नहीं आया है, और हम इसकी विशेषताओं को नहीं जानते हैं, तो हमें "स्पर्श से" कार्य करना होगा - परीक्षण और त्रुटि से।

अज्ञात खोज

आप कई तरीकों से अज्ञात महसूस कर सकते हैं।

पहला यादृच्छिक नमूना है । हम एक मनमाना वस्तु लेते हैं (हमारी शक्तियों के भीतर) - एक उत्पाद, उद्यम, भवन या नागरिक - और ध्यान से इस पर विचार करें। दृष्टिकोण काफी निष्पक्ष है, लेकिन बहुत प्रभावी नहीं है - एक सम्मानजनक विषय "डीब्रीफिंग" के तहत समान रूप से अच्छी तरह से गिर सकता है। राज्य की एजेंसी की ताकत और बजट का पैसा व्यर्थ खर्च किया जाएगा।

दूसरी विसंगतियों की पहचान है । इस मामले में, सत्यापन के लिए एक ऑब्जेक्ट लिया जाता है, जिनमें से पैरामीटर बाकी से अलग होते हैं। जब हम असामान्य घटनाओं का विश्लेषण करते हैं, और केवल यादृच्छिक रूप से वस्तुओं का एक गुच्छा "प्रहार" नहीं करते हैं, तो उल्लंघन का पता लगाने की संभावना अधिक होती है।

उदाहरण के लिए, पर्यावरणीय पर्यवेक्षण करते समय, यह पता चलता है कि संयंत्र अप्रत्याशित रूप से बहुत अधिक बिजली की खपत करता है:



शायद यह इस पर करीब से नज़र रखने और यह जांचने के लायक है कि क्या संयंत्र अनुमेय से अधिक पानी या हवा में निर्वहन नहीं करता है।

या सीमा शुल्क पर माल के सामान और पैकेजिंग के वजन का एक असामान्य अनुपात है:



जाँच करने के बाद, यह पता चल सकता है कि आयातक ने कुछ उल्लंघनों को कवर करने के लिए वजन के साथ "खेला": लागत को कम करके आंका और इस प्रकार परीक्षण मूल्यों में से एक को कसने या दूसरों की आड़ में कुछ माल जारी करना चाहता था। "प्राकृतिक" वजन विशेषताओं, यदि आप अच्छी तरह से खुदाई करते हैं, तो काल्पनिक लोगों से भिन्न होते हैं।

हालांकि, ये सबसे सरल उदाहरण हैं जो एक व्यक्ति को देखने में सक्षम है। वास्तव में, विसंगतियों की खोज गुणों के एक बहुआयामी स्थान में होती है - उनमें से सैकड़ों हो सकते हैं। एल्गोरिथ्म वह करता है जो मानव नहीं कर सकता है - यह उन वस्तुओं को पाता है जो एक ही समय में बड़ी संख्या में दूसरों से काफी भिन्न होते हैं, और तथाकथित बहुआयामी रूपरेखा (एसएएस विज़ुअल सांख्यिकी के स्क्रीनशॉट में) निर्धारित करते हैं:



इसके अलावा, मानवीय धारणा की सीमाओं से परे, विभिन्न कंपनियों के बीच कई तरह के कानूनी रिश्ते हैं जो एक ग्राफ (एसएएस सोशल नेटवर्क विश्लेषण के स्क्रीनशॉट में) का उपयोग करके देखे जाते हैं:


* संगठनों के नामों का आविष्कार किया गया है, वास्तविक कंपनियों के साथ संयोग यादृच्छिक हैं

असामान्य विशेषताएं जरूरी नहीं कि समस्या का संकेत दें। चेक कुछ भी नहीं दिखा सकता है: हाँ, संकेतक अजीब हैं, लेकिन कोई उल्लंघन नहीं है।

एक विसंगति एक जोखिम नहीं है, यह सिर्फ "कुछ असामान्य है।" विशेषज्ञ या सांख्यिकीय प्रोफाइल के निर्माण के लिए नए "कच्चे माल" प्रदान करने के लिए विसंगतिपूर्ण प्रोफाइल की आवश्यकता होती है, क्योंकि विसंगति सत्यापन का परिणाम नियंत्रण में वस्तुओं की टिप्पणियों के इतिहास में शामिल है।

हाइब्रिड दृष्टिकोण

राज्य निकायों के नियंत्रण और पर्यवेक्षण गतिविधियों में सबसे अच्छा परिणाम (और न केवल इसमें) जोखिमों की पहचान करने के सभी तीन तरीकों को मिलाकर प्राप्त किया जा सकता है: विशेषज्ञ नियम, मशीन सीखने की प्रौद्योगिकियों और विसंगतियों के आधार पर सांख्यिकीय जोखिम प्रोफाइल। उसी समय, विशेषज्ञ नियमों के साथ वस्तुओं के कवरेज को कम करना बेहतर होता है, उन्हें केवल लक्षित प्रशासनिक प्रभावों के लिए छोड़ दिया जाता है (उदाहरण के लिए, लगाए गए प्रतिबंध - हम इन देशों से माल को रोकते हैं):



आप जोखिम प्रबंधन प्रणाली के निर्माण के प्रारंभिक चरण में विशेषज्ञ नियमों के बिना नहीं कर सकते, क्योंकि विश्लेषणात्मक मॉडल बनाने के लिए एक पूर्व आधार की आवश्यकता होती है। इसे बनाने के लिए, विशेषज्ञ जोखिम प्रोफाइल के आधार पर जांच करना आवश्यक होगा और उसके बाद ही गणितीय मॉडल पर जाएं।

हम एसएएस में विश्वास करते हैं कि राज्य के नियंत्रण और निरीक्षण गतिविधि का भविष्य एक हाइब्रिड दृष्टिकोण पर आधारित है जो राज्य निकायों के अनुभव और आधुनिक मशीन लर्निंग प्रौद्योगिकियों के साथ अपने कर्मचारियों के विशेषज्ञ ज्ञान को मिलाएगा। इस मामले में, हम एक एकीकृत जोखिम मूल्यांकन में सभी तीन मॉड्यूल के परिणामों को कम करते हैं:



और पहले से ही एक एकीकृत मूल्यांकन (उदाहरण के लिए, विशेषज्ञ निर्णय मैट्रिक्स के आधार पर) नियंत्रण निकाय की पसंद को निर्धारित करता है - किसे जांचना है और किस पर भरोसा करना है।

अगले लेख में, हम पहचाने गए खतरों को कम करने के लिए तरीकों का विश्लेषण करेंगे और सोचेंगे कि प्रतिक्रिया और गतिशील जोखिम पुनर्मूल्यांकन इतना महत्वपूर्ण क्यों है।