ROBUST AND ADAPTIVE ARTIFICIAL INTELLIGENCE MODELING

A particular machine learning architecture involving a two-part artificial intelligence (AI) model is disclosed, with one portion being trained on first data (e.g. older data) and another portion being trained on second data (e.g. newer data) in various embodiments. A robust AI model can be combined with an adaptive AI model to account for long-term trends as well as newly emerging population trends. The model architecture can be constructed using gradient boosting trees, artificial neural networks, or other machine learning models. The adaptive AI model can be re-trained on a more frequent basis than the robust AI model, and can use newer types of data in its classification techniques. The adaptive and robust AI models can be combined using logistic regression to provide unified predictions. Electronic transactions and other types of data subject to potential pattern shifts can thus be more accurately classified. L'invention concerne une architecture particulière d'apprentissage machine impliquant un modèle d'intelligence artificielle (AI) en deux parties, une partie étant apprise sur des premières données (par exemple, des données plus anciennes) et une autre partie étant apprise sur des secondes données (par exemple, des données plus récentes) dans divers modes de réalisation. Un modèle AI robuste peut être combiné à un modèle AI adaptatif pour prendre en compte des tendances à long terme ainsi que de nouvelles tendances de population émergentes. L'architecture de modèle peut être construite à l'aide d'arbres d'amplification de gradient, de réseaux neuronaux artificiels ou d'autres modèles d'apprentissage machine. Le modèle AI adaptatif peut être appris à nouveau sur une base plus fréquente que le modèle AI robuste, et peut utiliser des types plus récents de données dans ses techniques de classification. Les modèles AI adaptatifs et robustes peuvent être combinés à l'aide d'une régression logistique pour fournir des prédictions unifiées. Des transactions électroniques et d'autres types de données soumises à des décalages de motifs potentiels peuvent ainsi être classifiés de manière plus précise.