Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020118019 - ADAPTIVE TRANSACTION PROCESSING SYSTEM

Publication Number WO/2020/118019
Publication Date 11.06.2020
International Application No. PCT/US2019/064625
International Filing Date 05.12.2019
IPC
G06Q 20/00 2012.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
20Payment architectures, schemes or protocols
CPC
G06N 20/00
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
20Machine learning
G06Q 30/0185
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
QDATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
30Commerce, e.g. shopping or e-commerce
01Customer relationship, e.g. warranty
018Business or product certification or verification
0185Product, service or business identity fraud
H04L 63/30
HELECTRICITY
04ELECTRIC COMMUNICATION TECHNIQUE
LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
63Network architectures or network communication protocols for network security
30for supporting lawful interception, monitoring or retaining of communications or communication related information
Applicants
  • GIANT OAK, INC. [US]/[US]
Inventors
  • PANDYA, Harsh
  • SHAPIRO, Jacob
  • SHIFFMAN, Gary
Agents
  • CHOWDHURY, Ryan
  • DEVOTO, Roberto J.
Priority Data
16/210,94205.12.2018US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) ADAPTIVE TRANSACTION PROCESSING SYSTEM
(FR) SYSTÈME DE TRAITEMENT DE TRANSACTION ADAPTATIVE
Abstract
(EN)
Systems and techniques are described for applying machine learning techniques to dynamically identify potentially anomalous activity of entities. In some implementations, peer group data is obtained. The peer group data indicates multiple entities classified as belonging to a particular peer group, and a set of attributes associated with the multiple entities. Transaction data for the multiple entities is obtained from one or more data sources. One or more transaction models are selected. The transaction models that are each trained to apply a particular set of evidence factors corresponding to the set of attributes associated with the multiple entities, and identify transaction patterns representing potentially anomalous activity. The transaction data is processed using the one or more transaction models to identify potentially anomalous activity within the transaction data for the multiple entities. A prioritization indicator is computed for each entity included in the multiple entities.
(FR)
La présente invention concerne des systèmes et des techniques pour appliquer des techniques d'apprentissage automatique pour identifier dynamiquement une activité anormale d'entités. Dans certains modes de réalisation, des données de groupes d'homologues sont obtenues. Les données de groupes d'homologues indiquent de multiples entités classées selon leur appartenance à un groupe d'homologues particulier, et un ensemble d'attributs associés aux multiples entités. Des données de transaction pour les multiples entités sont obtenues d'une ou de plusieurs sources de données. Un ou plusieurs modèles de transaction sont sélectionnés. Les modèles de transaction sont chacun entraînés pour appliquer un ensemble particulier de facteurs d'évidence correspondant à l'ensemble d'attributs associés aux multiples entités et pour identifier des combinaisons de transactions représentant potentiellement une activité anormale. Les données de transaction sont traitées à l'aide d'un ou de plusieurs modèles de transaction pour identifier une activité potentiellement anormale dans les données de transaction pour les multiples entités. Un indicateur de priorisation est calculé pour chaque entité comprise dans les multiples entités.
Also published as
Latest bibliographic data on file with the International Bureau