การพัฒนาอย่างรวดเร็วของทรงกลม iGaming เกิดขึ้นได้เนื่องจากความก้าวหน้าของซอฟต์แวร์ที่ใช้โดยเกมออนไลน์ เพื่อมอบผลิตภัณฑ์ที่น่าตื่นเต้นและมีคุณภาพสูงแก่ผู้ใช้ อุตสาหกรรมนี้จำเป็นต้องมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับเทคโนโลยี แนวคิด และแนวทางที่ล้ำสมัย เช่น โหลดสูง ข้อมูลขนาดใหญ่ ความพร้อมใช้งานสูง ความสามารถในการขยายขนาดสูง เรียลไทม์ และความหน่วงต่ำ ดังนั้น นักพัฒนาซอฟต์แวร์ iGaming จึงขับเคลื่อนการพัฒนาอุตสาหกรรมทั่วโลก และนี่คือสิ่งที่ PIN-UP.TECH กำลังทำอยู่
ส่วน PIN-UP.TECH เป็นส่วนหนึ่งของระบบนิเวศทั่วโลกของ PIN-UP และประกอบด้วยบริษัทไอทีที่เชี่ยวชาญด้านการพัฒนาซอฟต์แวร์สำหรับสมาชิกทุกคน หนึ่งในความสำเร็จของ PIN-UP.TECH คือโซลูชั่นเทคโนโลยีที่เป็นเอกลักษณ์ซึ่งช่วยให้พันธมิตรสามารถรักษาตำแหน่งผู้นำและให้บริการคุณภาพสูงแก่ผู้เล่น ผู้เชี่ยวชาญกว่า 500 รายจากประเทศต่างๆ มีส่วนร่วมในทิศทางทางเทคนิคของ PIN-UP ซึ่งรับประกันความเสถียรของแพลตฟอร์ม iGaming, CRM, เครื่องมือป้องกันการฉ้อโกง, ระบบพันธมิตร และอื่นๆ อีกมากมาย ในบรรดาผู้นำของทีมงานมืออาชีพนี้คือ Volodymyr Todurov ประธานเจ้าหน้าที่ฝ่ายวิเคราะห์ ซึ่งแบ่งปันความคิดเห็นกับ SiGMA News เกี่ยวกับประสบการณ์การทำงานที่ไม่เหมือนใครของพวกเขา
คุณช่วยบอกเราเพิ่มเติมเกี่ยวกับโมเดล ML/AI และวิธีการทำงานของคุณได้ไหม?
โมเดลการตัดสินใจที่ใช้ AI จะพิจารณาพารามิเตอร์มากมายที่เกี่ยวข้องกับธุรกรรมแต่ละรายการอย่างพิถีพิถัน ครอบคลุมตัวแปรต่างๆ เช่น ความถี่ของการเดิมพัน ขนาด เหตุการณ์ที่เลือก ตลอดจนประวัติของการเดิมพัน พารามิเตอร์เหล่านี้ได้รับการวิเคราะห์ภายในแบบจำลอง โดยมีการระบุพารามิเตอร์ที่มีประสิทธิภาพในการทำนายสูงสุดและรวมเข้ากับกระบวนการพยากรณ์
เราใช้การเรียนรู้ของเครื่องโดยเน้นไปที่โมเดลการเร่งการไล่ระดับสีขั้นสุด ซึ่งมีชื่อเสียงในด้านประสิทธิภาพด้วยข้อมูลที่มีโครงสร้าง จุดสำคัญของแนวทางนี้อยู่ที่การสร้างแบบจำลองจำนวนมากที่ปรับแต่งซึ่งกันและกันซ้ำๆ ซึ่งจะช่วยเสริมความแม่นยำของการคาดการณ์ โมเดลดังกล่าวได้รับการป้อนข้อมูลด้วยประวัติการเดิมพันที่กว้างขวางและให้ความน่าจะเป็นในช่วง 0..1 ซึ่งบ่งชี้ถึงความเป็นไปได้ที่ผู้ใช้จะมีส่วนร่วมในกิจกรรมที่ฉ้อโกง
อะไรคือข้อดีของโมเดลต่อต้านการฉ้อโกงที่ใช้ AI เมื่อเทียบกับโมเดลคลาสสิก?
เมื่อเราเผชิญกับข้อมูลจำนวนมหาศาล ประโยชน์ใช้สอยของโมเดล ML/AI ก็จะปรากฏชัดเจน พวกเขานำเสนอความสามารถที่เพิ่มขึ้นในการสรุปข้อมูลและแยกแยะรูปแบบพฤติกรรมของลูกค้าที่หลบเลี่ยงวิธีการต่างๆ เช่น การวิเคราะห์ธุรกรรมด้วยตนเอง หรือการประยุกต์ใช้กฎเชิงเส้น
AI ทำหน้าที่เป็นชุดเครื่องมือเพิ่มเติมสำหรับทีมปฏิบัติการ ปรับปรุงกระบวนการโดยลดอัตราข้อผิดพลาดและเวลาในการตัดสินใจสำหรับแต่ละกรณี ขณะเดียวกันก็เปิดเผยข้อมูลเชิงลึกใหม่ๆ เกี่ยวกับลูกค้าของเรา ในบางประเด็น AI เสริมสร้างความเชี่ยวชาญของเราและขยายมุมมองของเราโดยใช้แนวทางการตัดสินใจที่แตกต่างออกไปเล็กน้อย ขณะนี้งานจำนวนมากสามารถมอบหมายให้กับ AI ได้อย่างเป็นอิสระ
ด้วยเหตุนี้ AI จึงอำนวยความสะดวกในการขยายปริมาณธุรกิจโดยไม่ต้องเพิ่มสัดส่วนในทีมบริหารความเสี่ยง ปรับปรุงการดำเนินงานรายวันโดยกำจัดกิจวัตรที่น่าเบื่อและให้โอกาสในการเจาะลึกเข้าไปในการวิเคราะห์กระบวนการอื่น ๆ
ในความเห็นของคุณ เครื่องมือต่อต้านการฉ้อโกงที่ใช้ AI จะพัฒนาได้อย่างไร และเครื่องมือเหล่านั้นจะแก้ไขปัญหาอะไรได้บ้างในอนาคต?
ภายในทีม เราได้สรุปวิธีที่เราเห็นการพัฒนาเครื่องมือป้องกันการฉ้อโกงโดยใช้ ML และ AI และจัดทำแผนสำหรับการใช้เทคโนโลยีเหล่านี้เพิ่มเติม ขั้นตอนต่อไปของเราเกี่ยวข้องกับการสร้างระบบการตัดสินใจโดยใช้โครงข่ายประสาทเทียมเชิงลึกที่ล้ำสมัยและปัญญาประดิษฐ์เชิงสร้างสรรค์ ด้วยการลดเวลาในการตัดสินใจลง เราเข้าใกล้เป้าหมายของเราในการเพิ่มความแม่นยำและความรวดเร็วในการตรวจจับพฤติกรรมฉ้อโกงของลูกค้า
แนวทางนี้มีความสามารถพิเศษในการเรียนรู้และปรับตัว โดยเจาะลึกประวัติของลูกค้าแต่ละราย โดยใช้สถานการณ์ต่างๆ เพื่อระบุกลุ่มเฉพาะ รวมถึงผู้ฉ้อโกง เครื่องมือใหม่เหล่านี้ซึ่งครั้งหนึ่งเคยถูกปรับแต่งให้เป็นแท่นที เป็นสิ่งที่พบได้อย่างแท้จริงสำหรับการทำงานประจำวันของทีมต่อต้านการฉ้อโกง
สำหรับธุรกิจขนาดใหญ่ พวกเขาเป็นเหมือนผู้ช่วยที่เชื่อถือได้สำหรับการตรวจสอบย้อนหลัง เพื่อให้มั่นใจว่าเราได้ติดป้ายกำกับลูกค้าทั้งหมดอย่างถูกต้องว่า "ดี" หรือ "ไม่ดี" ดังนั้นผู้จัดการจึงไม่ต้องกังวล โดยรู้ว่าพวกเขาไม่พลาดผู้ก่อปัญหาใดๆ และสำหรับธุรกิจขนาดเล็ก พวกเขาคือผู้เปลี่ยนเกม โดยไม่จำเป็นต้องมีทีมนักวิเคราะห์ที่หนักแน่นทันที ให้ AI เข้ามาควบคุมงานที่ต้องดำเนินการด้วยตนเอง และเฝ้าดูประสิทธิภาพของแผนกต่อต้านการฉ้อโกงพุ่งสูงขึ้น
มีวิธีใดบ้างที่จะปรับปรุงประสิทธิภาพของกระบวนการป้องกันการเปรอะเปื้อนเพิ่มเติมได้ บอกเราสั้นๆ เกี่ยวกับแนวทางของคุณ
แต่ละทีมโดยคำนึงถึงทิศทางของธุรกิจและจำนวนผู้เชี่ยวชาญมีเคล็ดลับในการเพิ่มประสิทธิภาพและแก้ไขปัญหาที่ซับซ้อนอย่างชาญฉลาด สำหรับเรา นี่เป็นการทำให้ขั้นตอนเป็นอัตโนมัติตามแนวทาง DDDM ซึ่งช่วยให้เราสามารถคิดนอกกรอบได้ เราประเมินขั้นตอนการทำงานทั้งหมดเพื่อค้นหาจุดเพิ่มประสิทธิภาพ เป้าหมายของเราคือการค้นหาขั้นตอนแบบแมนนวลที่เรียกว่า "งานลิง" เพื่อทำให้เป็นอัตโนมัติ
ปัญหาสามารถแก้ไขได้หลายวิธี: ฉันจะยกตัวอย่างสองสามตัวอย่างจากการดำเนินงานของเราภายในไม่กี่ปีที่ผ่านมา ก่อนหน้านี้ นักวิเคราะห์ต่อต้านการฉ้อโกงจำเป็นต้องส่งออกตาราง CSV สองสามรายการเพื่อรวมเข้าด้วยกันเพื่อทำความเข้าใจว่ามีการเปลี่ยนแปลงพฤติกรรมบางอย่างในบัญชีของผู้เล่นตามประวัติทางการเงินและการพนันหรือไม่ เราตระหนักว่าเราจะประหยัดเวลาในการทำงานด้วยตนเองได้อย่างน้อย 10-15 นาทีต่อแต่ละกรณี เพียงสร้างแดชบอร์ดแบบเรียลไทม์เริ่มต้นใหม่พร้อมตาราง Pivot และแผนภูมิที่จำเป็น
อีกกรณีหนึ่งคือการทบทวนการดำเนินงานในปัจจุบัน มาดูกระบวนการยืนยันการถอนเงินกัน ตามแนวทาง DDDM เราจะวิเคราะห์น้ำหนักของหลักฐานในแต่ละเหตุผลที่นำไปสู่การยืนยันการถอนเงินด้วยตนเอง สาเหตุบางประการถูกสร้างขึ้นเพื่อตอบสนองต่อกรณีการฉ้อโกงบางกรณีเพื่อจับตาดูการฉ้อโกงที่อาจเกิดขึ้น อย่างไรก็ตาม ธุรกิจขยายตัวและมีผู้เล่นใหม่จาก GEO ใหม่มากขึ้น ส่งผลให้ประสิทธิภาพของกฎลดลง ดังนั้นเราจึงนำกฎนี้มาใช้และเพิ่มประสิทธิภาพการทำงานของทีม 15% ในแง่ของภาระงานของพวกเขา ประเด็นหลักที่นี่คือการวิเคราะห์อย่างต่อเนื่องเกี่ยวกับการดำเนินงานของเวิร์กโฟลว์โดยอิงจากการวัดปริมาณงานและความสามารถในการผลิต เพื่อค้นหาการเพิ่มประสิทธิภาพที่ผสมผสานการจัดการและระบบอัตโนมัติเข้าด้วยกัน
ธุรกิจจำเป็นต้องจัดทำกระบวนการใดบ้างเพื่อบูรณาการโมเดล DDDM ใช้เวลานานแค่ไหน และสร้างรายได้ได้เร็วแค่ไหน?
ประเด็นหลักเกี่ยวกับ DDDM คือกรอบความคิด ผู้จัดการอาวุโสจะต้องปฏิเสธข้อโต้แย้งทั้งหมดตามความรู้สึก ความหวัง และ "ความเชี่ยวชาญ" ฉันหมายความว่าควรใช้แนวทางประเภทนี้กับข้อยกเว้นบางประการเท่านั้นเมื่อคุณไม่มีข้อมูลในการคำนวณการตัดสินใจของคุณ หรือเมื่อปัญหาไม่คุ้มค่ากับความพยายามในการคำนวณ ทุกครั้งที่คุณต้องการเปลี่ยนแปลงผลิตภัณฑ์ของคุณ ให้สอบถามทีมงานเกี่ยวกับตัวเลข
ข้อผิดพลาดที่พบบ่อยมากเรียกว่าอคติในการรอดชีวิต โปรดทราบว่าคุณทำการสรุปโดยใช้การวิเคราะห์แบบ end-to-end ในขอบเขตของเอนทิตีที่เกี่ยวข้อง จากการปฏิบัติจริง ผู้จัดการมักลืมที่จะแสดงความคิดเห็นเกี่ยวกับปัญหานี้ด้วยเฮลิคอปเตอร์ ฉันจะยกตัวอย่างภายในการดำเนินการต่อต้านการฉ้อโกง ผู้จัดการมาพร้อมกับการวิเคราะห์กิจกรรมการฉ้อโกงย้อนหลังโดยอิงตามการละเมิดโบนัสต้อนรับภายใน 4 เดือนที่ผ่านมา ผู้ใช้ 83% มีรูปแบบเดียวกันในการสร้างทริกเกอร์การให้คะแนนที่แจ้งเตือน: ฝากเงินครั้งแรกมากกว่า $13 โดยใช้บัตรธนาคารแบบเติมเงิน การวิเคราะห์ IP ไม่ตรงกัน (อาจเป็นพร็อกซีหรือ VPN) ดูดีทีเดียวใช่ไหม?
อย่างไรก็ตาม ฉันขอให้คำนวณหากยังคงมีประสิทธิภาพที่ดีอยู่ หากเราจะคาดการณ์ทริกเกอร์นี้กับผู้ใช้ใหม่ทั้งหมด แบบจำลองการให้คะแนนแสดงประสิทธิภาพ 5% ดังนั้น การผสมผสานคุณลักษณะบางอย่างสามารถอธิบายกลุ่มผู้ใช้ฉ้อโกงได้อย่างสมบูรณ์แบบ และยังคงเป็นเรื่องปกติสำหรับผู้ใช้ที่ดีกลุ่มใหญ่ อย่างไรก็ตาม เราได้เพิ่มรูปแบบเกมบางอย่างให้กับทริกเกอร์นักล่าโบนัสเพื่อแยกตัวจากผู้เล่นที่ดีและรักษาทริกเกอร์ไว้ในการผลิต
การใช้ DDDM จะนำคุณค่ามาตั้งแต่วันที่ 1 คุณจะหลีกเลี่ยงข้อผิดพลาดและเพิ่มผลผลิต ประเด็นหลักคือการขอให้ทีมงานแสดงหมายเลขของตนเป็นข้อโต้แย้งหลักในการตัดสินใจทางธุรกิจ
ประวัติโดยย่อของ Volodymyr:
Volodymyr Todurov มีประสบการณ์แปดปีในด้านการพนัน โดยเคยดำรงตำแหน่งผู้จัดการความเสี่ยง และเป็นหัวหน้าฝ่ายต่อต้านการฉ้อโกง & การวิเคราะห์ ปัจจุบันเขาดำรงตำแหน่งประธานเจ้าหน้าที่ฝ่ายวิเคราะห์ที่ PIN-UP Global เขาเป็นผู้เชี่ยวชาญด้านการดำเนินการบริหารความเสี่ยงของสปอร์ตบุ๊ค คาสิโน โปรแกรมพันธมิตร การตลาด ระบบการชำระเงิน Volodymyr เชี่ยวชาญในแนวทางการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล การสร้างแบบจำลองทางเศรษฐกิจ และการคาดการณ์
เรากำลังสนทนากับผู้เชี่ยวชาญที่ PIN-UP Global ต่อไป ดังนั้นโปรดติดตาม SiGMA News เพื่อดูข้อมูลเพิ่มเติมเกี่ยวกับกลไกปัจจุบันของวง iGaming
งาน SiGMA ที่กำลังจะมีขึ้น: SiGMA เอเชีย 2024 ระหว่างวันที่ 2 – 5 มิถุนายน ค้นหารายละเอียดทั้งหมด
