tek başına bir analitik yaklaşımı“ yeni nesil” yapmak için yeterli değildir. Örneğin Isolation Forest sıra dışı gözlemlerin belirlenmesinde kullanılabilirken, graph tabanlı modeller ilişkisel yapının problemin önemli bir parçası olduğu durumlarda farklı bir analitik kapasite sunabilir. Öte yandan, aynı risk daha basit bir kural veya istatistiksel yöntemle yeterli biçimde analiz edilebiliyorsa daha karmaşık bir model gereksiz olabilir. Dolayısıyla bir yöntemin daha yeni veya daha karmaşık olması, ancak çözülmek istenen risk problemine ve eldeki verinin yapısına daha uygun bir analitik kapasite sağlıyorsa değer yaratır. Farklı yöntemlerin aynı veri evreninde farklı aday işlemler üretebilmesi ve bu sinyallerin gerektiğinde birlikte önceliklendirilebilmesi de bu nedenle önemlidir.
Analitik araç seti bununla da sınırlı değildir. İlişkisel Derin Öğrenme(“ Relational Deep Learning”) birbirine bağlı çoklu tablolar üzerindeki ilişkileri doğrudan öğrenme problemine dâhil etmeyi, zamansal ilişki ağı(" temporal graph”) yöntemleri bağlantıların zaman içinde değiştiği yapıları, topolojik derin öğrenme(“ topological deep learning”) ise daha karmaşık ilişkisel yapıları modellemeyi amaçlayan güncel araştırma yönleri arasındadır.
Bunların bir bölümü hâlâ gelişmekte olan alanlardır. Buradaki asıl mesele ise her yeni yöntemi kullanmak değil, analitik mimariyi ihtiyaç ortaya çıktığında farklı yöntemleri bünyesine alabilecek kadar esnek kurmaktır.
Bu yaklaşım yalnızca metodolojik bir tercih de değildir; sahadaki kullanım deseni de yöntemlerin birbirini bütünüyle ikame etmekten çok yan yana çalıştığına işaret etmektedir. ACFE &
Veri hazırlama, sürekli tarama veya düşük etkili ilk sınıflama yüksek ölçüde otomatik yürüyebilir. Model performansı ve eşikler insan gözetiminde işletilebilir
29