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 in engem Kontakt mit den Bankberatern des Kunden, um ein tieferes Verständnis für das Geschäft des Kunden zu erlangen und die Vorteile des maschinellen Lernens bei Finanzdienstleistungen voll auszuschöpfen.

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.

Nachdem wir das Problem erörtert hatten, untersuchten wir Methoden des "few-shot learning", die unsere Metriken verbessern könnten. Wir führten einen Proof of Concept durch, der jedoch nicht die von uns erwarteten wesentlichen Verbesserungen brachte. Daher fuhr unser Projektteam fort, die Plattform zu verbessern und tiefer in die Geschäftsbereiche unseres Kunden einzudringen. Auf diese Weise konnten wir Funktionen entwickeln, die das "few-shot learning"-Modell erheblich beeinflussten und genaue Vorhersageergebnisse für das Projekt sicherstellten.

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.