Aprendizaje automático en banca: reducción del riesgo de fraude en 5 veces gracias a la detección de anomalías en las transacciones

Innowise ha desarrollado un sistema basado en ML que supervisa las transacciones digitales y detecta comportamientos sospechosos o fraudulentos.

Cliente

Industria

Banca, Finanzas

Región

Cliente desde

2021

Nuestro cliente es un gran banco comercial con una red de sucursales en todo el país, que ofrece depósitos, préstamos y otros servicios.

La información detallada sobre el cliente no puede divulgarse en virtud de las disposiciones del acuerdo de confidencialidad.

Reto: Aumento del riesgo de fraude financiero y apropiación de cuentas que sufrió un importante banco estadounidense

El principal objetivo de todo banco o institución financiera es la satisfacción y seguridad de los titulares de sus cuentas. Como parte de sus operaciones diarias, estas instituciones gestionan cuentas de clientes, supervisan inversiones, mantienen una liquidez adecuada y desempeñan otras funciones.

Por desgracia, el sector bancario se enfrenta actualmente a una importante amenaza de actividades sospechosas y maliciosas que no sólo ponen en peligro a los clientes, sino también al sector en su conjunto. Hasta hace poco, los bancos utilizaban sobre todo sistemas manuales basados en reglas, pero a medida que los defraudadores se vuelven más sofisticados, estos sistemas se vuelven rápidamente ineficaces.

Uno de los principales bancos estadounidenses se puso en contacto con el Innowise en busca de una solución eficaz. machine learning en solución bancaria para detectar y combatir el fraude financiero. A medida que el cliente se expandía y aumentaba el número de transacciones, el banco se enfrentaba periódicamente a actividades maliciosas que ponían en peligro su seguridad y reputación. Sin duda, nuestro cliente disponía de un sistema contra el blanqueo de capitales que impedía que los beneficios delictivos se camuflaran e incorporaran al sistema financiero. Sin embargo, carecía de precisión, arrojaba un elevado número de falsos positivos y dejaba margen para la apropiación de cuentas y el fraude en los pagos.

Solución: Solución basada en ML para detectar anomalías en las transacciones y prevenir actividades fraudulentas.

Innowise recomendó integrar una extensión basada en ML en el ecosistema bancario para analizar grandes volúmenes de datos y proteger los fondos de actividades maliciosas. Las transacciones de los titulares de las cuentas se analizan y alertan si se detecta algún comportamiento inusual, sospechoso o fraudulento. Utilizando el aprendizaje profundo en algoritmos fintech, nuestro equipo de proyecto analizó grandes cantidades de datos para detectar anomalías que pudieran indicar fraude.

Agregación de datos

Como primer paso, Innowise recopiló y consolidó todos los datos relacionados con la banca, incluidas las identidades de los usuarios, sus ubicaciones, métodos de pago, historiales de transacciones y otros factores relevantes.

Elaboración de patrones anormales

Obtuvimos patrones distintivos, como importes de transacciones inusualmente altos o transacciones divididas para evitar la declaración automática de impuestos. Estos patrones permiten a los algoritmos de ML distinguir las actividades fraudulentas de las operaciones bancarias habituales y desencadenar las acciones adecuadas cuando surge un patrón de riesgo. A partir de ahí, las transacciones se clasifican como "buenas" (legítimas) o "malas" (fraudulentas).

En conjunto, Innowise accedió a un vasto conjunto de datos (por ejemplo, docenas de millones de muestras basadas en redes neuronales, datos transaccionales e históricos), muy eficaz para identificar patrones y detectar comportamientos anómalos que se desvían de la norma. Seleccionamos las características más críticas comparando las expectativas con los datos reales y mediante técnicas recursivas de eliminación de características. Además, nuestro equipo identificó las etiquetas de datos que faltaban, proporcionando técnicas para una mejor detección del fraude.

Formación de modelos

Dado que los patrones basados en reglas destacan los casos de fraude explícito, nuestros especialistas en ML desarrollaron algoritmos que detectan circunstancias inusuales o desconocidas en las que fallan los algoritmos convencionales. Como resultado, la extensión puede hacer predicciones incluso sin datos suficientes, basándose en técnicas de entrenamiento de aprendizaje automático. Así, nuestra solución utiliza representaciones integradas en lugar de las clásicas características agregadas para procesar las transacciones.

Modelo ML completo

Cuando se identifica una amenaza, el sistema transmite estos datos en tiempo real al administrador, que puede congelar o cancelar las operaciones hasta que se investigue más a fondo. En función de la probabilidad de fraude, hay tres resultados posibles:

Si la probabilidad de fraude es inferior a 5%, se aprueba la transacción;
Si la probabilidad de fraude se sitúa entre 6% y 70%, se requiere una comprobación adicional, como un código SMS de un solo uso, una huella dactilar o una pregunta secreta;
Si la probabilidad de fraude es superior a 80%, la transacción se rechaza, lo que requiere un tratamiento y un análisis manuales.

Además, garantizamos herramientas completas de explicabilidad de los modelos de ML, que ayudan a comprender los resultados de las predicciones y proporcionan una experiencia de usuario fluida.

Tecnologías

Back-end

Python, Scala

Front-end

HTML, CSS, React, MUI

Ingeniería de datos

Apache Flink, Redis Feast, Apache Hive, Apache Airflow, Apache Kafka, Apache Spark

Aprendizaje automático/ciencia de datos

Apache Spark MLLib, Scikit-learn, LightGBM, XGBoost, Hyperopt, PySpark, Numpy, Pandas, Scipy

MLOps

DVC, MLFlow, Comet

Medio ambiente

Docker, Docker Compose, Kubernetes, Jenkins

Proceso

Inicialmente, nuestro equipo de proyecto desarrolló requisitos empresariales y técnicos para satisfacer las expectativas del cliente. A lo largo del proyecto, nuestro analista comercial mantuvo un estrecho contacto con los asesores bancarios del cliente para conocer mejor su negocio y sacar el máximo partido del aprendizaje automático en los servicios financieros.

En cuanto a la solución de ML, el aspecto más difícil fue conseguir métricas óptimas para usuarios con historiales de transacciones diferentes. Nuestro modelo era eficaz para los titulares de cuentas con un historial de transacciones considerable, pero ineficaz para los nuevos usuarios con falta de datos históricos. Estos usuarios fueron tratados como cuentas inactivas que sólo contenían información de identidad y ningún historial de transacciones. Aunque esta suposición elimina la ventaja de disponer de datos completos de los usuarios, produce resultados de entrenamiento razonablemente estables para el modelo ML.

Tras debatir el problema, investigamos métodos de "aprendizaje de pocos disparos" que pudieran mejorar nuestras métricas. Realizamos una prueba de concepto, pero no se tradujo en las mejoras sustanciales que esperábamos. Por lo tanto, nuestro equipo de proyecto siguió mejorando la plataforma y profundizando en el dominio empresarial de nuestro cliente. Esto nos permitió diseñar características que influyeron significativamente en el modelo de "aprendizaje de pocos disparos", garantizando resultados de predicción precisos para el proyecto de aprendizaje automático bancario.

Nuestro equipo siguió la metodología Scrum, con sprints de tres semanas a lo largo del proyecto. Celebramos reuniones periódicas con el equipo a través de Microsoft Teams para supervisar el progreso del proyecto y adaptarnos a cualquier cambio en el alcance. A día de hoy, el proyecto se ha completado con éxito.

Equipo

Jefe de proyecto

Analista de negocio

Desarrolladores de Front-end

Desarrolladores de Back-end

Ingenieros ML

Ingenieros de datos

Diseñador UI/UX

Ingeniero de QA

Resultados: velocidad de procesamiento x2,4 más rápida con menos falsos positivos y un menor riesgo de fraude no detectado.

Innowise ha desarrollado una extensión avanzada basada en ML para detectar actividades sospechosas o fraudulentas y tomar medidas proactivas en función de ello. Garantizamos una seguridad impecable y eliminamos el riesgo de infracciones y delitos financieros. En general, la implementación del aprendizaje automático en banca y finanzas aportó los siguientes beneficios:

mayor velocidad

Los algoritmos de aprendizaje automático analizan rápidamente grandes cantidades de datos. Con el ritmo y el volumen crecientes de las transacciones bancarias, nuestra plataforma de aprendizaje automático examina continuamente nueva información.

mayor eficacia

Los algoritmos de aprendizaje automático pueden ejecutar operaciones repetitivas y detectar al instante sutiles alteraciones en los patrones. Nuestra solución de ML examina cientos de miles de pagos por segundo, agilizando todo el proceso de transacción.

precisión

En este proyecto utilizamos algoritmos de aprendizaje automático que pueden entrenarse para identificar patrones en datos aparentemente triviales. Reconocen patrones sutiles o no intuitivos que serían difíciles, si no imposibles, de discernir para los humanos. Esto aumenta la precisión de la detección del fraude, lo que se traduce en menos falsos positivos y un menor riesgo de fraude no detectado.

Duración del proyecto

Junio 2021 - Diciembre 2022

99.3%

precisión en la reducción del fraude

x2.4

mayor velocidad de procesamiento

Casos relacionados

Póngase en contacto con nosotros

Reservar una llamada o rellene el siguiente formulario y nos pondremos en contacto con usted cuando hayamos procesado su solicitud.

Nombre

Empresa

Correo electrónico

Teléfono

Mensaje Por favor, facilítenos detalles del proyecto, duración, tecnologías, especialistas informáticos necesarios y otra información relevante.

Grabe un mensaje de voz sobre su proyecto
para ayudarnos a comprenderlo mejor.

Adjunte los documentos adicionales si es necesario

Cargar archivo

Puede adjuntar hasta 1 archivo de 2 MB en total. Archivos válidos: pdf, jpg, jpeg, png

Le informamos de que cuando haga clic en el botón Enviar, Innowise procesará sus datos personales de acuerdo con nuestra Política de privacidad con el fin de proporcionarle la información adecuada.

¿Qué pasa después?

Una vez recibida y procesada su solicitud, nos pondremos en contacto con usted para detallar las necesidades de su proyecto y firmar un acuerdo de confidencialidad que garantice la confidencialidad de la información.

Después de examinar los requisitos, nuestros analistas y desarrolladores elaboran una propuesta de proyecto con el alcance de las obras, el tamaño del equipo, el tiempo y las estimaciones de costos.

Concertamos una reunión con usted para discutir la oferta y llegar a un acuerdo.

Firmamos un contrato y comenzamos a trabajar en su proyecto lo más rápido posible.

Aprendizaje automático en banca: reducción del riesgo de fraude en 5 veces gracias a la detección de anomalías en las transacciones

Cliente

Reto: Aumento del riesgo de fraude financiero y apropiación de cuentas que sufrió un importante banco estadounidense

Solución: Solución basada en ML para detectar anomalías en las transacciones y prevenir actividades fraudulentas.

Tecnologías

Proceso

Equipo

Resultados: velocidad de procesamiento x2,4 más rápida con menos falsos positivos y un menor riesgo de fraude no detectado.

Casos relacionados

Póngase en contacto con nosotros

¿Qué pasa después?

Vamos a^●desarrollar
software juntos!

Hacer otra petición

Cerrar

Aprendizaje automático en banca: reducción del riesgo de fraude en 5 veces gracias a la detección de anomalías en las transacciones

Cliente

Reto: Aumento del riesgo de fraude financiero y apropiación de cuentas que sufrió un importante banco estadounidense

Solución: Solución basada en ML para detectar anomalías en las transacciones y prevenir actividades fraudulentas.

Tecnologías

Proceso

Equipo

Resultados: velocidad de procesamiento x2,4 más rápida con menos falsos positivos y un menor riesgo de fraude no detectado.

Casos relacionados

Póngase en contacto con nosotros

¿Qué pasa después?

Vamos a●desarrollar software juntos!

Suscríbase a a nuestro boletín

Hacer otra petición

Cerrar

Vamos a^●desarrollar
software juntos!

Suscríbase a
a nuestro boletín