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

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.