Uczenie maszynowe w bankowości: 5-krotne zmniejszenie ryzyka oszustwa dzięki wykrywaniu anomalii transakcji

Początkowo nasz zespół projektowy opracował wymagania biznesowe i techniczne, aby spełnić oczekiwania klientów. Przez cały czas trwania projektu, nasz analityk biznesowy maintained close contact with the client’s banking consultants to gain a deeper understanding of the client’s business and take full advantage of machine learning in financial services.

Jeśli chodzi o rozwiązanie ML, najtrudniejszym aspektem było osiągnięcie optymalnych wskaźników dla użytkowników o różnej historii transakcji. Nasz model był skuteczny w przypadku posiadaczy kont ze znaczną historią transakcji, ale nieskuteczny w przypadku nowych użytkowników z brakiem danych historycznych. Tacy użytkownicy byli traktowani jako nieaktywne konta zawierające tylko informacje o tożsamości i bez historii transakcji. Chociaż to założenie eliminuje korzyści płynące z posiadania pełnych danych użytkownika, to jednak daje dość stabilne wyniki uczenia dla modelu ML.

After discussing the issue, we investigated “few-shot learning” methods that could enhance our metrics. We conducted a proof of concept but it did not result in the substantial improvements we anticipated. Therefore, our project team continued to enhance the platform and delve deeper into our client’s business domain. This enabled us to design features that significantly impacted the “few-shot learning” model, ensuring accurate prediction results for the banking machine learning project.

Nasz zespół postępował zgodnie z metodologią Scrum, z trzytygodniowymi sprintami przez cały czas trwania projektu. Organizowaliśmy regularne spotkania z zespołem za pośrednictwem Microsoft Teams, aby monitorować postępy projektu i uwzględniać wszelkie zmiany w jego zakresie. Obecnie projekt został pomyślnie zakończony.