Maschinelles Lernen im Bankwesen: 5-fache Reduzierung des Betrugsrisikos durch Erkennung von Transaktionsanomalien

Zu Beginn entwickelte unser Projektteam die geschäftlichen und technischen Anforderungen, um die Erwartungen des Kunden zu erfüllen. Während des gesamten Projekts stand unser Business-Analyst 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.

Was die ML-Lösung betrifft, so bestand die größte Herausforderung darin, optimale Kennzahlen für Nutzer mit unterschiedlicher Transaktionshistorie zu erzielen. Unser Modell war effektiv für Kontoinhaber mit einer umfangreichen Transaktionshistorie, aber ineffektiv für neue Nutzer, denen es an historischen Daten mangelt. Solche Benutzer wurden als inaktive Konten behandelt, die nur Identitätsinformationen und keine Transaktionshistorie enthalten. Obwohl diese Annahme den Vorteil vollständiger Nutzerdaten zunichtemacht, führt sie dennoch zu einigermaßen stabilen Trainingsergebnissen für das ML-Modell.

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.

Unser Team arbeitete nach der Scrum-Methodik mit dreiwöchigen Sprints während des gesamten Projekts. Wir trafen uns regelmäßig mit dem Team über Microsoft Teams, um den Projektfortschritt zu überwachen und etwaige Änderungen des Umfangs zu berücksichtigen. Inzwischen ist das Projekt erfolgreich abgeschlossen.