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 opprettholdt tett kontakt med kundens bankkonsulenter for å få en dypere forståelse av kundens virksomhet og dra full nytte av maskinlæring i finansielle tjenester.

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.

Etter å ha diskutert problemet undersøkte vi metoder for "few-shot learning" som kunne forbedre beregningene våre. Vi gjennomførte et proof of concept, men det resulterte ikke i de betydelige forbedringene vi hadde forventet. Derfor fortsatte prosjektteamet vårt å forbedre plattformen og gå dypere inn i kundens forretningsområde. Dette gjorde det mulig for oss å utforme funksjoner som hadde stor innvirkning på "few-shot learning"-modellen, noe som sikret nøyaktige prediksjonsresultater for maskinlæringsprosjektet.

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.