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 onderhoudt nauw contact met de bankconsultants van de klant om een beter inzicht te krijgen in de activiteiten van de klant en optimaal te profiteren van machine learning in de financiële dienstverlening.

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.

Nadat we het probleem hadden besproken, onderzochten we "few-shot learning" methodes die onze statistieken zouden kunnen verbeteren. We voerden een proof of concept uit, maar dit resulteerde niet in de substantiële verbeteringen die we verwachtten. Daarom ging ons projectteam door met het verbeteren van het platform en het verdiepen in het bedrijfsdomein van onze klant. Dit stelde ons in staat om functies te ontwerpen die het "few-shot learning"-model aanzienlijk beïnvloedden, waardoor nauwkeurige voorspellingsresultaten voor het bancaire machine learning-project werden gegarandeerd.

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.