Дмитрий Пилипенко
Заместитель генерального директора SAP CIS, директор кластера «Топливно-энергетический комплекс»

В последние годы преступления в ТЭК широко обсуждается на уровне бизнеса и государства. Мошенничества на АЗС не такие громкие, но встречаются очень часто. Рассмотрим, как нейросети могут помочь поймать злоумышленников

Какие преступные схемы используют на АЗС

На АЗС злоумышленники используют разные схемы, в том числе:

  • недолив: специальное программное обеспечение подменяет цифры на счетчиках, то есть заливается один объем, а отражается — другой. В таком случае объем убытков незначительный, однако это серьезно вредит репутации владельцев заправки.
  • смешивание разных сортов топлива: под видом дизеля заливается дешевое судовое топливо. В итоге ущерб будет значительным не только для двигателя конкретной машины, но и для экологии.
  • мошенничество с программами лояльности: на заправках часто предполагаются призы и бонусы, однако сотрудник может завести отдельную карту и записывать все бонусы себе. В таком случае программа лояльности становится неэффективной.
  • мошенничество с финансовыми операциями: например, при оплате наличными сотрудник может выбить только пречек, а основной чек не пробить. Однако пречек — это не платежный документ, и АЗС не получит деньги, если сотрудник не проведет операцию через кассу.

Как нейросети обнаруживают злоумышленников на АЗС

Отследить мелкие преступления крайне сложно, для этого требуется обработать огромный объем данных. Например, за 3 года работы сети АЗС нужно проанализировать работу 2 млн смен по более чем 100 параметрам, это примерно 500 Гб данных. Решить такую проблему можно с помощью машинного обучения.

Система работает с обычными данными от АЗС по сотням параметров: информацией с датчиков давления и температуры топлива, расхода электроэнергии. Они становятся детекторами, которые помогут системе находить аномалии в стандартной работе АЗС.

Выявление аномалий происходит в несколько этапов. Сначала с помощью методов машинного обучения в число подозреваемых включают смены, в работе которых есть отклонения от средних значений более чем по двум стандартным параметрам. При этом анализ данных производится по временным интервалам 7, 14 и 30 дней: на меньших временных интервалах отклонения от средних значений несущественны. При такой проверке подозреваемых смен службой безопасности точность выявления мошенников достигает в среднем 70-80%. Этого недостаточно, поэтому для более точного определения противоправных действий вводится дополнительный этап анализа промежуточных результатов с помощью нейронной сети.

Нейронная сеть становится вспомогательным фильтром, который дополняет и уточняет классические модели машинного обучения. С ее помощью определяется корректность предварительно выявленных аномалий. Обычно применение нейросетей предполагает наличие базы ранее расследованных случаев, на которых возможно обучение модели. Но опыт показал, что даже при отсутствии предварительной выборки расследованных случаев возможно эффективное применение нейронных сетей. Этот этап позволяет добавить к точности анализа еще 10 процентных пунктов и определять смены с элементами мошенничества с вероятностью до 80-90%.