Maskinlæring i bankverdenen: 5 gange mindre risiko for svindel ved at opdage anomalier i transaktioner

I første omgang udviklede vores projektteam forretningsmæssige og tekniske krav for at opfylde kundens forventninger. Gennem hele projektet har vores forretningsanalytiker opretholdt tæt kontakt med kundens bankkonsulenter for at få en dybere forståelse af kundens forretning og drage fuld fordel af maskinlæring i finansielle tjenester.

Hvad angår ML-løsningen, var det mest udfordrende aspekt at opnå optimale målinger for brugere med forskellig transaktionshistorik. Vores model var effektiv for kontohavere med en betydelig transaktionshistorik, men ineffektiv for nye brugere med manglende historiske data. Sådanne brugere blev behandlet som inaktive konti, der kun indeholdt identitetsoplysninger og ingen transaktionshistorik. Selv om denne antagelse eliminerer fordelen ved at have komplette brugerdata, giver den ikke desto mindre rimeligt stabile træningsresultater for ML-modellen.

Efter at have diskuteret problemet undersøgte vi "few-shot learning"-metoder, der kunne forbedre vores målinger. Vi gennemførte et proof of concept, men det resulterede ikke i de væsentlige forbedringer, vi havde forventet. Derfor fortsatte vores projektteam med at forbedre platformen og dykke dybere ned i vores kundes forretningsdomæne. Det gjorde det muligt for os at designe funktioner, der havde en betydelig indvirkning på "few-shot learning"-modellen og sikrede nøjagtige forudsigelsesresultater for maskinlæringsprojektet for banker.

Vores team fulgte Scrum-metoden med tre ugers sprints gennem hele projektet. Vi holdt regelmæssige møder med teamet via Microsoft Teams for at overvåge projektets fremskridt og tage højde for eventuelle ændringer i omfanget. På nuværende tidspunkt er projektet afsluttet med succes.