Автоматизація процесу верифікації клієнтів системи каршерінгу на основі методів машинного навчання

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.263571

Ключові слова:

know your customer, розпізнавання образів, optical character recognition, каршерінг

Анотація

Зручна та точна верифікація користувача системи каршерінгу є однією із ключових складників успішного функціонування системи каршерінгу в цілому. Алгоритм процесу KYC (Know your customer) на основі машинного навчання дозволяє підвищити точність перевірки даних клієнта та його верифікації. Це дозволяє усунути можливі збитки та репутаційні втрати компанії в разі виникнення непередбачуваних ситуацій під час користування клієнтом послугами каршерінгу. Об’єктом дослідження є знаходження розв’язку задачі верифікації користувача в системі каршерінгу на основі процесу KYC за допомогою методів глибокого навчання з комбінацією методів OCR (Optical Character Recognition). Формалізовано постановку задачі верифікації користувача в системі каршерінгу та визначено ключові параметри для KYC процесу. Побудовано алгоритм процесу KYC. Алгоритм включає шість послідовних етапів: відокремлення обличчя на фотографії, порівняння облич, перевірка документів та терміну їх дії, встановлення та розпізнавання ROI (region of interest), формулювання рішення щодо верифікації. Для відокремлення обличчя на фотографії клієнта та порівняння облич розглянуто та реалізовано методи на основі глибинного навчання, а також швидкий метод HoG (Histogram of oriented gradients). Перевірка даних методів на тестовому наборі даних, який включає зображення документів двох тисяч клієнтів показала, що точність розпізнавання складає 91 % за метрикою Жаккара. Середній час відокремлення обличчя за методом HoG становить 0,2 секунди, а з використанням навчених моделей – 3,3 секунди. Використання комбінації методів відокремлення ROI та ORC дає змогу суттєво підвищити точність верифікації. Запропонований алгоритм верифікації клієнтів реалізовано як API на ML сервері та інтегровано до системи каршерінгу

Біографії авторів

Beibut Amirgaliyev, Astana IT University

Candidate of Technical Sciences, Professor

Department of Computer Engineering

Gulzhan Yegemberdiyeva, Astana IT University

Master of Computational and Cognitive Neuroscience, Lecturer

Department of Computer Engineering

Олександр Юрійович Кучанський, Київський національний університет імені Тараса Шевченка

Доктор технічних наук, завідувач кафедри

Кафедра інформаційних систем та технологій

Юрій Васильович Андрашко, Ужгородський національний університет

Кандидат технічних наук, доцент

Кафедра системного аналізу і теорії оптимізації

Ігор Іванович Король, Ужгородський національний університет

Доктор фізико-математичних наук, професор, проректор з науково-педагогічної роботи

Кафедра алгебри та диференціальних рівнянь

Посилання

  1. Cerovsky, Z., Mindl, P. (2008). Hybrid electric cars, combustion engine driven cars and their impact on environment. 2008 International Symposium on Power Electronics, Electrical Drives, Automation and Motion. doi: https://doi.org/10.1109/speedham.2008.4581321
  2. Co2 emissions from cars: facts and figures (infographics) (2019). EU Parliament News. Available at: https://www.europarl.europa.eu/news/en/headlines/society/20190313STO31218/co2-emissions-from-cars-facts-and-figures-infographics
  3. Kagawa, S., Hubacek, K., Nansai, K., Kataoka, M., Managi, S., Suh, S., Kudoh, Y. (2013). Better cars or older cars?: Assessing CO2 emission reduction potential of passenger vehicle replacement programs. Global Environmental Change, 23 (6), 1807–1818. doi: https://doi.org/10.1016/j.gloenvcha.2013.07.023
  4. Shared mobility (2020). McKinsey Center for Future Mobility. Available at: https://www.mckinsey.com/features/mckinsey-center-for-future-mobility/overview/shared-mobility
  5. Why Machine Learning brings up to 57 percent savings in the KYC process. Actico. Available at: https://www.actico.com/blog-en/why-machine-learning-brings-up-to-57-savings-in-the-kyc-process/#:~:text=With%20their%20feedback%2C%20they%20improve,to%2057%20percent%20of%20clarifications
  6. Sitaraman, S. (2019). How we built an intelligent automation solution for kyc validation. Available at: https://www.srijan.net/resources/blog/intelligent-automation-solution
  7. Charoenwong, B. (2019). The one reason why ai/ml for aml/kyc has failed (so far). Available at: https://medium.com/@BenCharoenwong/the-one-reason-why-machine-learning-for-aml-kyc-has-failed-so-far-38e3388ad85c
  8. Pic, M., Mahfoudi, G., Trabelsi, A. (2019). Remote KYC: Attacks and Counter-Measures. 2019 European Intelligence and Security Informatics Conference (EISIC). doi: https://doi.org/10.1109/eisic49498.2019.9108787
  9. Do, T.-L., Tran, M.-K., Nguyen, H. H., Tran, M.-T. (2021). Potential Threat of Face Swapping to eKYC with Face Registration and Augmented Solution with Deepfake Detection. Lecture Notes in Computer Science, 293–307. doi: https://doi.org/10.1007/978-3-030-91387-8_19
  10. Darapaneni, N., Evoori, A. K., Vemuri, V. B., Arichandrapandian, T., Karthikeyan, G., Paduri, A. R. et. al. (2020). Automatic Face Detection and Recognition for Attendance Maintenance. 2020 IEEE 15th International Conference on Industrial and Information Systems (ICIIS). doi: https://doi.org/10.1109/iciis51140.2020.9342670
  11. Sun, X., Wu, P., Hoi, S. C. H. (2018). Face detection using deep learning: An improved faster RCNN approach. Neurocomputing, 299, 42–50. doi: https://doi.org/10.1016/j.neucom.2018.03.030
  12. Chang-Yeon, J. (2008). Face Detection using LBP features. Available at: http://cs229.stanford.edu/proj2008/Jo-FaceDetectionUsingLBPfeatures.pdf
  13. Mita, T., Kaneko, T., Hori, O. (2005). Joint Haar-like features for face detection. Tenth IEEE International Conference on Computer Vision (ICCV’05) Volume 1. doi: https://doi.org/10.1109/iccv.2005.129
  14. Malhotra, D., Saini, P., Singh, A. K. (2021). How Blockchain Can Automate KYC: Systematic Review. Wireless Personal Communications, 122 (2), 1987–2021. doi: https://doi.org/10.1007/s11277-021-08977-0
  15. Liu, Y., James, H., Gupta, O., Raviv, D. (2021). MRZ code extraction from visa and passport documents using convolutional neural networks. International Journal on Document Analysis and Recognition (IJDAR), 25 (1), 29–39. doi: https://doi.org/10.1007/s10032-021-00384-2
  16. Dalal, N., Triggs, B. (2005). Histograms of Oriented Gradients for Human Detection. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05). doi: https://doi.org/10.1109/cvpr.2005.177
  17. Face recognition. Available at: https://pypi.org/project/face-recognition/
  18. Cnn based face detector. Dlib. Available at: http://dlib.net/cnn_face_detector.py.html
  19. Face Recognition. URL: https://github.com/ageitgey/face_recognition/
  20. Stefanovic, S. (2020). Face detection algorithms comparison. Available at: https://datahacker.rs/017-face-detection-algorithms-comparison/
  21. He, K., Gkioxari, G., Dollar, P., Girshick, R. (2017). Mask R-CNN. 2017 IEEE International Conference on Computer Vision (ICCV). doi: https://doi.org/10.1109/iccv.2017.322
  22. Leydesdorff, L. (2008). On the normalization and visualization of author co-citation data: Salton's Cosineversus the Jaccard index. Journal of the American Society for Information Science and Technology, 59 (1), 77–85. doi: https://doi.org/10.1002/asi.20732
  23. Lu, B., Chen, J.-C., Chellappa, R. (2020). UID-GAN: Unsupervised Image Deblurring via Disentangled Representations. IEEE Transactions on Biometrics, Behavior, and Identity Science, 2 (1), 26–39. doi: https://doi.org/10.1109/tbiom.2019.2959133
  24. Verma, R., Ali, J. (2013). A comparative study of various types of image noise and efficient noise removal techniques. International Journal of advanced research in computer science and software engineering, 3 (10), 617–622. Available at: https://www.researchgate.net/publication/307545428_A_comparative_study_of_various_types_of_image_noise_and_efficient_noise_removal_techniques
  25. Yegemberdiyeva, G., Amirgaliyev, B. (2021). Study Of AI Generated And Real Face Perception. 2021 IEEE International Conference on Smart Information Systems and Technologies (SIST). doi: https://doi.org/10.1109/sist50301.2021.9465908
  26. Amirgaliyev, B., Andrashko, Y., Kuchansky, A. (2022). Building a dynamic model of profit maximization for a carsharing system accounting for the region’s geographical and economic features. Eastern-European Journal of Enterprise Technologies, 2 (4 (116)), 22–29. doi: https://doi.org/10.15587/1729-4061.2022.254718
  27. Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Biloshchytska, S., Honcharenko, T., Nikolenko, V. (2019). Fractal Time Series Analysis in Non-Stationary Environment. 2019 IEEE International Scientific-Practical Conference Problems of Infocommunications, Science and Technology (PIC S&T). doi: https://doi.org/10.1109/picst47496.2019.9061554
  28. Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Biloshchytska, S., Shabala, Y., Myronov, O. (2018). Development of adaptive combined models for predicting time series based on similarity identification. Eastern-European Journal of Enterprise Technologies, 1 (4 (91)), 32–42. doi: https://doi.org/10.15587/1729-4061.2018.121620
  29. Kuchansky, A., Biloshchytskyi, A., Bronin, S., Biloshchytska, S., Andrashko, Y. (2020). Use of the Fractal Analysis of Non-stationary Time Series in Mobile Foreign Exchange Trading for M-Learning. Advances in Intelligent Systems and Computing, 950–961. doi: https://doi.org/10.1007/978-3-030-49932-7_88
  30. Kuchansky, A., Biloshchytskyi, A. (2015). Selective pattern matching method for time-series forecasting. Eastern-European Journal of Enterprise Technologies, 6 (4 (78)), 13. doi: https://doi.org/10.15587/1729-4061.2015.54812

##submission.downloads##

Опубліковано

2022-08-31

Як цитувати

Amirgaliyev, B., Yegemberdiyeva, G., Кучанський, О. Ю., Андрашко, Ю. В., & Король, І. І. (2022). Автоматизація процесу верифікації клієнтів системи каршерінгу на основі методів машинного навчання. Eastern-European Journal of Enterprise Technologies, 4(2(118), 59–66. https://doi.org/10.15587/1729-4061.2022.263571

Номер

Том 4 № 2(118) (2022): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2022 Beibut Amirgaliyev, Gulzhan Yegemberdiyeva, Alexander Kuchansky, Yurii Andrashko, Ihor Korol

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.