L'apprentissage automatique dans le secteur bancaire: réduction de 5 fois le risque de fraude grâce à la détection d'anomalies dans les transactions

Le Innowise a développé un système basé sur la ML qui surveille les transactions numériques et détecte les comportements suspects ou frauduleux.

Client

Industrie

Banque, Finance

Région

Client depuis

2021

Notre client est une grande banque commerciale qui dispose d'un réseau d'agences dans tout le pays et qui propose des dépôts, des prêts et d'autres services.

Les informations détaillées sur le client ne peuvent être divulguées en vertu des dispositions de la NDA.

Défi : Risque accru de fraude financière et de prise de contrôle de comptes auquel une grande banque américaine a été confrontée.

L'objectif premier de toute banque ou institution financière est la satisfaction et la sécurité des titulaires de comptes. Dans le cadre de leurs activités quotidiennes, ces institutions gèrent les comptes de leurs clients, supervisent les investissements, maintiennent une liquidité adéquate et remplissent d'autres fonctions.

Malheureusement, le secteur bancaire est actuellement confronté à une menace importante d'activités suspectes et malveillantes qui mettent en danger non seulement les clients, mais aussi le secteur dans son ensemble. Jusqu'à récemment, les banques utilisaient principalement des systèmes manuels basés sur des règles, mais les fraudeurs devenant de plus en plus sophistiqués, ces systèmes deviennent rapidement inefficaces.

L'une des principales banques américaines a approché le Innowise, à la recherche d'une solution efficace de gestion des risques. machine learning pour détecter et combattre la fraude financière. À mesure que le client se développait et que le nombre de transactions augmentait, la banque était périodiquement confrontée à des activités malveillantes qui mettaient en péril sa sécurité et sa réputation. Certes, notre client disposait d'un système de lutte contre le blanchiment d'argent qui empêchait les profits criminels d'être camouflés et incorporés dans le système financier. Cependant, il manquait de précision, affichant un nombre élevé de faux positifs et laissant la place à des prises de contrôle de comptes et à des fraudes sur les paiements.

Solution : Solution basée sur le ML pour détecter les anomalies de transaction et prévenir les activités frauduleuses

Le Innowise a recommandé l'intégration d'une extension basée sur le ML dans l'écosystème bancaire pour analyser les gros volumes de données et protéger les fonds contre les activités malveillantes. Les transactions des titulaires de comptes sont analysées et alertées si un comportement inhabituel, suspect ou frauduleux est détecté. En utilisant l'apprentissage profond dans les algorithmes fintech, notre équipe de projet a analysé de vastes quantités de données pour détecter les anomalies qui pourraient indiquer une fraude.

Agrégation de données

Dans un premier temps, le Innowise a rassemblé et consolidé toutes les données bancaires, y compris les identités des utilisateurs, leur localisation, les méthodes de paiement, l'historique des transactions et d'autres facteurs pertinents.

Élaboration de schémas anormaux

Nous en avons déduit des schémas distinctifs, tels que des montants de transaction anormalement élevés ou le fractionnement des transactions pour éviter la déclaration fiscale automatique. Ces schémas permettent aux algorithmes de ML de distinguer les activités frauduleuses des opérations bancaires régulières et de déclencher des actions appropriées lorsqu'un schéma à risque apparaît. Sur cette base, les transactions sont classées comme "bonnes" (légitimes) ou "mauvaises" (frauduleuses).

Dans l'ensemble, Innowise a accédé à un vaste ensemble de données (par exemple, des dizaines de millions d'échantillons basés sur des réseaux neuronaux, des données transactionnelles et historiques), très efficace pour identifier des modèles et repérer des comportements anormaux qui s'écartent de la norme. Nous avons sélectionné les caractéristiques les plus critiques en comparant les attentes aux données réelles et en utilisant des techniques récursives d'élimination des caractéristiques. Notre équipe a également identifié les étiquettes de données manquantes, fournissant ainsi des techniques pour une meilleure détection des fraudes.

Modèle de formation

Étant donné que les modèles fondés sur des règles mettent en évidence les cas de fraude explicites, nos spécialistes de l'apprentissage automatique ont mis au point des algorithmes qui détectent les circonstances inhabituelles ou peu familières dans lesquelles les algorithmes conventionnels échouent. En conséquence, l'extension peut faire des prédictions même en l'absence de données suffisantes, en s'appuyant sur des techniques d'apprentissage automatique. Ainsi, notre solution utilise des représentations intégrées au lieu des caractéristiques agrégées classiques pour traiter les transactions.

Modèle ML à part entière

Lorsqu'une menace est identifiée, le système transmet ces données en temps réel à l'administrateur, qui peut geler ou annuler les opérations jusqu'à ce qu'une enquête plus approfondie soit menée. En fonction de la probabilité de la fraude, trois résultats sont possibles :

Si la probabilité de fraude est inférieure à 5%, la transaction est approuvée ;
Si la probabilité de fraude se situe entre 6% et 70%, un contrôle supplémentaire, tel qu'un code SMS à usage unique, une empreinte digitale ou une question secrète, est nécessaire ;
Si la probabilité de fraude dépasse 80%, la transaction est rejetée, ce qui nécessite un traitement et une analyse manuels.

En outre, nous avons mis en place des outils complets d'explication des modèles de ML, afin d'aider à comprendre les résultats des prédictions et d'offrir une expérience utilisateur transparente.

Technologies

Back-end

Python, Scala

Front-end

HTML, CSS, React, MUI

Data Engineering

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

Apprentissage automatique/science des données

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

MLOps

DVC, MLFlow, Comet

Environnement

Docker, Docker Compose, Kubernetes, Jenkins

Processus

Dans un premier temps, notre équipe de projet a élaboré des exigences commerciales et techniques pour répondre aux attentes des clients. Tout au long du projet, notre analyste commercial maintenu un contact étroit avec les consultants bancaires du client afin d'acquérir une compréhension plus approfondie de l'activité du client et de tirer pleinement parti de l'apprentissage automatique dans les services financiers.

En ce qui concerne la solution ML, l'aspect le plus difficile a été d'obtenir des mesures optimales pour des utilisateurs ayant des historiques de transactions différents. Notre modèle s'est avéré efficace pour les titulaires de comptes ayant un historique de transactions important, mais inefficace pour les nouveaux utilisateurs ne disposant pas de données historiques. Ces utilisateurs ont été traités comme des comptes inactifs ne contenant que des informations sur l'identité et aucun historique de transactions. Bien que cette hypothèse élimine l'avantage de disposer de données complètes sur les utilisateurs, elle permet néanmoins d'obtenir des résultats d'apprentissage raisonnablement stables pour le modèle ML.

Après avoir discuté de cette question, nous avons étudié les méthodes d'apprentissage à quelques coups qui pourraient améliorer nos mesures. Nous avons réalisé une démonstration de faisabilité, mais elle n'a pas permis d'obtenir les améliorations substantielles que nous attendions. Par conséquent, notre équipe de projet a continué à améliorer la plateforme et à approfondir le domaine d'activité de notre client. Cela nous a permis de concevoir des fonctionnalités qui ont eu un impact significatif sur le modèle "d'apprentissage à quelques coups", garantissant des résultats de prédiction précis pour le projet d'apprentissage automatique bancaire.

Notre équipe a suivi la méthodologie Scrum, avec des sprints de trois semaines tout au long du projet. Nous avons organisé des réunions régulières avec l'équipe via Microsoft Teams pour suivre l'avancement du projet et prendre en compte toute modification de la portée. À ce jour, le projet a été mené à bien.

Équipe

Chef de projet

Analyste commercial

Développeurs Front-End

Développeurs Back-End

ML Ingénieurs

Ingénieurs en données

Concepteur UI/UX

Ingénieur QA

Résultats : une vitesse de traitement x2,4 plus rapide, moins de faux positifs et un risque réduit de fraude non détectée.

Le Innowise a développé une extension avancée basée sur le ML pour détecter les activités suspectes ou frauduleuses et prendre des mesures proactives en conséquence. Nous avons assuré une sécurité irréprochable et éliminé le risque de violations et de crimes financiers. Dans l'ensemble, la mise en œuvre de l'apprentissage automatique dans le secteur bancaire et financier a apporté les avantages suivants :

vitesse plus élevée

Les algorithmes d'apprentissage automatique analysent rapidement de grandes quantités de données. Le rythme et le volume des transactions bancaires ne cessant de croître, notre plateforme d'apprentissage automatique examine en permanence les nouvelles informations.

amélioration de l'efficacité

Les algorithmes d'apprentissage automatique peuvent exécuter des opérations répétitives et repérer instantanément des modifications subtiles dans les modèles. Notre solution d'apprentissage automatique examine des centaines de milliers de paiements par seconde, rationalisant ainsi l'ensemble du processus de transaction.

précision

Dans ce projet, nous avons utilisé des algorithmes d'apprentissage automatique qui peuvent être entraînés à identifier des modèles dans des données apparemment insignifiantes. Ils reconnaissent des schémas subtils ou non intuitifs qui seraient difficiles, voire impossibles, à discerner pour les humains. La précision de la détection des fraudes s'en trouve améliorée, ce qui se traduit par une diminution du nombre de faux positifs et du risque de fraude non détectée.

Durée du projet

Juin 2021 - décembre 2022

99.3%

la précision dans la réduction de la fraude

x2.4

une vitesse de traitement plus rapide

Exemples de projets similaires

Contactez nous!

Réserver un appel ou remplissez le formulaire ci-dessous et nous vous contacterons dès que nous aurons traité votre demande.

Nom

Entreprise

Courriel :

Téléphone

Message S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes nécessaires et d'autres informations pertinentes

S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes
nécessaires et d'autres informations pertinentes

Joindre des documents supplémentaires au besoin

Charger file

Vous pouvez joindre jusqu'à 1 fichier de 2MB au total. Fichiers valides : pdf, jpg, jpeg, png

Nous vous informons que lorsque vous cliquez sur le bouton Envoyer, Innowise traitera vos données personnelles conformément à notre Politique de confidentialité dans le but de vous fournir des informations appropriées.

Que se passe-t-il ensuite?

Après avoir reçu et traité votre demande, nous reviendrons vers vous pour détailler les besoins de votre projet et signer un accord de non-divulgation pour assurer la confidentialité des informations.

Après avoir examiné les exigences, nos analystes et nos développeurs élaborent une proposition de projet avec l'étendue des travaux, le nombre de membre de l'équipe, les délais et les coûts des coûts.

Nous organisons une réunion avec vous pour discuter de l'offre et parvenir à un accord.

Nous signons un contrat et commençons à travailler sur votre projet le plus rapidement possible.

L'apprentissage automatique dans le secteur bancaire: réduction de 5 fois le risque de fraude grâce à la détection d'anomalies dans les transactions

Client

Défi : Risque accru de fraude financière et de prise de contrôle de comptes auquel une grande banque américaine a été confrontée.

Solution : Solution basée sur le ML pour détecter les anomalies de transaction et prévenir les activités frauduleuses

Technologies

Processus

Équipe

Résultats : une vitesse de traitement x2,4 plus rapide, moins de faux positifs et un risque réduit de fraude non détectée.

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit^●s développer
logiciel ensemble!

Faire une autre demande

Fermer

L'apprentissage automatique dans le secteur bancaire: réduction de 5 fois le risque de fraude grâce à la détection d'anomalies dans les transactions

Client

Défi : Risque accru de fraude financière et de prise de contrôle de comptes auquel une grande banque américaine a été confrontée.

Solution : Solution basée sur le ML pour détecter les anomalies de transaction et prévenir les activités frauduleuses

Technologies

Processus

Équipe

Résultats : une vitesse de traitement x2,4 plus rapide, moins de faux positifs et un risque réduit de fraude non détectée.

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit●s développer logiciel ensemble!

S'abonner à à notre bulletin d'information

Faire une autre demande

Fermer

Soit^●s développer
logiciel ensemble!

S'abonner à
à notre bulletin d'information