Koneellinen oppiminen pankkitoiminnassa: petosriskin vähentäminen 5x tapahtumapoikkeamien havaitsemisen avulla.

Innowise on kehittänyt ML-tekniikalla toimivan järjestelmän, joka valvoo digitaalisia liiketoimia ja havaitsee epäilyttävän tai vilpillisen käyttäytymisen.

Lataa tapaustutkimuksen PDF-versio

Asiakas

Teollisuus

Pankkitoiminta, Rahoitus

Alue

Asiakas vuodesta

2021

Asiakkaamme on suuri liikepankki, jolla on eri puolilla maata toimipisteverkosto, joka tarjoaa talletuksia, lainoja ja muita palveluja.

Yksityiskohtaisia tietoja asiakkaasta ei voida luovuttaa NDA:n määräysten nojalla.

Haaste: Keskeisen amerikkalaisen pankin kohtaama lisääntynyt rahoituspetosten ja tilien haltuunoton riski.

Jokaisen pankin tai rahoituslaitoksen ensisijaisena tavoitteena on tilinomistajien tyytyväisyys ja turvallisuus. Osana päivittäistä toimintaansa nämä laitokset käsittelevät asiakastilejä, valvovat sijoituksia, ylläpitävät riittävää likviditeettiä ja suorittavat muita tehtäviä.

Valitettavasti pankkialaa uhkaavat tällä hetkellä epäilyttävät ja pahantahtoiset toimet, jotka vaarantavat asiakkaiden lisäksi myös koko pankkialaa. Viime aikoihin asti pankit ovat käyttäneet enimmäkseen manuaalisia sääntöihin perustuvia järjestelmiä, mutta kun petostentekijät ovat kehittyneet yhä pidemmälle, nämä järjestelmät muuttuvat nopeasti tehottomiksi.

Yksi tärkeimmistä amerikkalaisista pankeista lähestyi Innowise:tä etsiessään tehokasta koneoppiminen in banking -ratkaisu talouspetosten havaitsemiseen ja torjuntaan. Asiakkaan laajentuessa ja maksutapahtumien määrän kasvaessa pankki joutui ajoittain kohtaamaan pahantahtoisia toimia, jotka vaaransivat sen turvallisuuden ja maineen. Varmasti asiakkaallamme oli rahanpesun vastainen järjestelmä, joka esti rikollisten voittojen naamioimisen ja sisällyttämisen rahoitusjärjestelmään. Järjestelmästä puuttui kuitenkin tarkkuus, sillä se osoitti paljon vääriä positiivisia tuloksia ja jätti tilaa tilien haltuunotolle ja maksupetoksille.

Ratkaisu: ML-pohjainen ratkaisu transaktioiden poikkeavuuksien havaitsemiseen ja vilpillisten toimintojen ehkäisemiseen

Innowise suositteli ML-pohjaisen laajennuksen integroimista pankkien ekosysteemiin suurten tietomäärien analysoimiseksi ja varojen suojaamiseksi haitalliselta toiminnalta. Tilinhaltijoiden maksutapahtumat analysoidaan ja niistä hälytetään, jos havaitaan epätyypillistä, epäilyttävää tai vilpillistä käyttäytymistä. Käyttämällä fintech-algoritmeissa syvällistä oppimista projektiryhmämme analysoi valtavia tietomääriä havaitakseen poikkeavuudet, jotka voisivat viitata petokseen.

Tietojen yhdistäminen

Ensimmäisessä vaiheessa Innowise keräsi ja yhdisti kaikki pankkitoimintaan liittyvät tiedot, mukaan lukien käyttäjien henkilöllisyydet, sijainnit, maksutavat, tapahtumahistoria ja muut merkitykselliset tekijät.

Epänormaalien kuvioiden laatiminen

Saimme selville erottuvia malleja, kuten epätavallisen suuret transaktiosummat tai transaktioiden jakaminen automaattisen veroraportoinnin välttämiseksi. Näiden mallien avulla ML-algoritmit pystyvät erottamaan petollisen toiminnan tavanomaisista pankkitoiminnoista ja käynnistämään asianmukaiset toimet, kun riskialtis malli ilmenee. Tämän perusteella liiketoimet luokitellaan joko "hyviksi" (laillisiksi) tai "huonoiksi" (petollisiksi).

Kaiken kaikkiaan Innowise:llä oli käytössään laaja tietokokonaisuus (esim. kymmeniä miljoonia näytteitä, jotka perustuivat neuroverkko-, transaktio- ja historiatietoihin), ja se pystyi erittäin tehokkaasti tunnistamaan malleja ja havaitsemaan normaalista poikkeavan epänormaalin käyttäytymisen. Valitsimme kriittisimmät piirteet vertaamalla odotuksia todellisiin tietoihin ja rekursiivisilla piirteiden poistotekniikoilla. Lisäksi tiimimme tunnisti puuttuvat tietomerkinnät ja tarjosi tekniikoita petosten parempaan havaitsemiseen.

Mallikoulutus

Koska sääntöihin perustuvat mallit korostavat nimenomaisia petostapauksia, ML-asiantuntijamme kehittivät algoritmeja, jotka havaitsevat epätavalliset tai tuntemattomat olosuhteet, joissa tavanomaiset algoritmit epäonnistuvat. Tämän seurauksena laajennus voi tehdä ennusteita jopa ilman riittävää dataa koneoppimisen koulutustekniikoihin tukeutuen. Ratkaisumme hyödyntää siis tapahtumien käsittelyssä sulautettuja representaatioita klassisten aggregoitujen ominaisuuksien sijaan.

Täydellinen ML-malli

Kun uhka tunnistetaan, järjestelmä välittää tiedot reaaliajassa järjestelmänvalvojalle, joka voi jäädyttää tai peruuttaa toiminnot lisätutkimuksiin asti. Petoksen todennäköisyydestä riippuen on kolme mahdollista lopputulosta:

Jos petoksen todennäköisyys on alle 5%, maksutapahtuma hyväksytään;
Jos petoksen todennäköisyys on 6% ja 70% välillä, tarvitaan ylimääräinen tarkistus, kuten kertaluonteinen tekstiviestikoodi, sormenjälki tai salainen kysymys;
Jos petoksen todennäköisyys ylittää 80%, tapahtuma hylätään, jolloin se vaatii manuaalista käsittelyä ja analysointia.

Lisäksi varmistimme kattavat ML-mallien selitettävyystyökalut, jotka auttavat ymmärtämään ennustustuloksia ja tarjoavat saumattoman käyttökokemuksen.

Teknologiat

Back-end

Python, Scala

Front-end

HTML, CSS, React, MUI

Tietotekniikka

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

Koneoppiminen/Data Science

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

MLOps

DVC, MLFlow, Comet

Ympäristö

Docker, Docker Compose, Kubernetes, Jenkins

Prosessi

Aluksi projektiryhmämme kehitti liiketoiminnalliset ja tekniset vaatimukset vastaamaan asiakkaan odotuksia. Koko projektin ajan liiketoiminta-analyytikko piti tiiviisti yhteyttä asiakkaan pankkikonsultteihin, jotta asiakkaan liiketoiminnasta saataisiin syvällisempi ymmärrys ja jotta koneoppimista voitaisiin hyödyntää täysimääräisesti rahoituspalveluissa.

ML-ratkaisun osalta haastavinta oli saavuttaa optimaaliset mittarit käyttäjille, joilla oli erilainen tapahtumahistoria. Mallimme oli tehokas sellaisten tilinomistajien kohdalla, joilla oli huomattava tapahtumahistoria, mutta tehoton uusien käyttäjien kohdalla, joilla ei ollut historiatietoja. Tällaisia käyttäjiä käsiteltiin inaktiivisina tileinä, joilla oli vain henkilöllisyystietoja eikä lainkaan tapahtumahistoriaa. Vaikka tämä oletus poistaa täydellisen käyttäjätiedon hyödyn, sillä saadaan kuitenkin kohtuullisen vakaat harjoittelutulokset ML-mallia varten.

Keskusteltuamme asiasta tutkimme "muutaman kuvan oppimismenetelmiä", jotka voisivat parantaa mittareitamme. Toteutimme konseptitutkimuksen, mutta se ei johtanut odotettuihin huomattaviin parannuksiin. Siksi projektiryhmämme jatkoi alustan parantamista ja syventymistä asiakkaamme liiketoiminta-alueeseen. Näin pystyimme suunnittelemaan ominaisuuksia, jotka vaikuttivat merkittävästi "few-shot learning" -malliin ja varmistivat tarkat ennustustulokset pankkien koneoppimisprojektissa.

Tiimimme noudatti Scrum-menetelmää, ja projektin aikana toteutettiin kolmen viikon sprinttejä. Pidimme tiimin kanssa säännöllisiä tapaamisia Microsoft Teamsin välityksellä seurataksemme projektin etenemistä ja ottaaksemme huomioon mahdolliset muutokset laajuuteen. Nyt projekti on saatu onnistuneesti päätökseen.

Joukkue

Projektipäällikkö

liiketoiminta-analyytikko

Front-End-kehittäjät

Back-End-kehittäjät

ML Engineers

Tiedot Engineers

UI/UX-suunnittelija

QA Engineer

Tulokset: x2,4 kertaa nopeampi käsittelynopeus, vähemmän vääriä positiivisia tuloksia ja pienempi huomaamattomien petosten riski.

Innowise on kehittänyt edistyneen ML-käyttöön perustuvan laajennuksen, jonka avulla voidaan havaita epäilyttävät tai vilpilliset toiminnot ja ryhtyä niiden perusteella ennakoiviin toimenpiteisiin. Varmistimme moitteettoman turvallisuuden ja poistimme rikkomusten ja talousrikosten riskin. Kaiken kaikkiaan koneoppimisen toteuttaminen pankki- ja rahoitusalalla toi seuraavat hyödyt:

suurempi nopeus

Koneoppimisalgoritmit analysoivat nopeasti valtavia tietomääriä. Pankkitapahtumien nopeuden ja määrän kasvaessa koneoppimisalustamme tutkii jatkuvasti uutta tietoa.

tehokkuuden parantaminen

Koneoppimisalgoritmit voivat suorittaa toistuvia operaatioita ja havaita välittömästi hienovaraiset muutokset kuvioissa. ML-ratkaisumme tutkii satojatuhansia maksuja sekunnissa ja tehostaa koko tapahtumaprosessia.

tarkkuus

Tässä hankkeessa käytimme koneoppimisalgoritmeja, jotka voidaan kouluttaa tunnistamaan kuvioita näennäisen triviaalista datasta. Ne tunnistavat hienovaraisia tai ei-intuitiivisia kuvioita, joiden havaitseminen ihmiselle olisi haastavaa, ellei mahdotonta. Tämä parantaa petosten havaitsemisen tarkkuutta, mikä vähentää vääriä positiivisia tuloksia ja pienentää huomaamattomien petosten riskiä.

Hankkeen kesto

Kesäkuu 2021 - joulukuu 2022

99.3%

tarkkuus petosten vähentämisessä

x2.4

nopeampi käsittelynopeus

Liittyvät tapaukset

Ota yhteyttä

Varaa puhelu tai täytä alla oleva lomake, niin otamme sinuun yhteyttä, kun olemme käsitelleet pyyntösi.

Nimi

Yritys

Sähköposti

Puhelin

Viesti

Lähetä meille ääniviesti

Liitä asiakirjoja

Lataa tiedosto

Voit liittää 1 enintään 2 Mt:n tiedoston. Hyväksytyt tiedostomuodot: pdf, jpg, jpeg, png.

Klikkaamalla Lähetä, annat suostumuksesi siihen, että Innowise käsittelee henkilötietojasi meidän Tietosuojakäytäntö antaa sinulle asiaankuuluvia tietoja. Antamalla puhelinnumerosi suostut siihen, että voimme ottaa sinuun yhteyttä puheluiden, tekstiviestien ja viestisovellusten kautta. Puhelu-, viesti- ja datahintoja voidaan soveltaa.

Voit myös lähettää meille pyyntösi
osoitteeseen contact@innowise.com

Mitä tapahtuu seuraavaksi?

Kun olemme vastaanottaneet ja käsitelleet pyyntösi, otamme sinuun yhteyttä ja kerromme yksityiskohtaisesti projektin tarpeet ja allekirjoitamme NDA-sopimuksen luottamuksellisuuden varmistamiseksi.

Tutkittuaan toiveesi, tarpeesi ja odotuksesi tiimimme suunnittelee projektin ehdotuksen, jossa esitetään työn laajuus, tiimin koko, aika- ja kustannusarviot.

Järjestämme kanssasi tapaamisen, jossa keskustellaan tarjouksesta ja sovitaan yksityiskohdista.

Lopuksi allekirjoitamme sopimuksen ja aloitamme projektisi toteuttamisen heti.

Koneellinen oppiminen pankkitoiminnassa: petosriskin vähentäminen 5x tapahtumapoikkeamien havaitsemisen avulla.

Lataa tapaustutkimuksen PDF-versio

Asiakas

Haaste: Keskeisen amerikkalaisen pankin kohtaama lisääntynyt rahoituspetosten ja tilien haltuunoton riski.

Ratkaisu: ML-pohjainen ratkaisu transaktioiden poikkeavuuksien havaitsemiseen ja vilpillisten toimintojen ehkäisemiseen

Teknologiat

Prosessi

Joukkue

Tulokset: x2,4 kertaa nopeampi käsittelynopeus, vähemmän vääriä positiivisia tuloksia ja pienempi huomaamattomien petosten riski.

Lataa tapaustutkimus

Liittyvät tapaukset

Ota yhteyttä

Mitä tapahtuu seuraavaksi?

Tarvitsetko muita palveluja?

Tilaa osoitteeseen uutiskirjeemme

Tilaa
osoitteeseen uutiskirjeemme