Machine learning nel settore bancario: riduzione di 5 volte del rischio di frode attraverso il rilevamento delle anomalie delle transazioni

Innowise ha sviluppato un sistema di ML che monitora le transazioni digitali e rileva comportamenti sospetti o fraudolenti.

Cliente

Industria

Banche, finanza

Regione

STATI UNITI

Cliente da

2021

Il nostro cliente è una grande banca commerciale con una rete di filiali in tutto il Paese, che offre depositi, prestiti e altri servizi.

Le informazioni dettagliate sul cliente non possono essere divulgate in base alle disposizioni dell NDA.

Sfida: aumento del rischio di frode finanziaria e di appropriazione dei conti di una banca americana di primaria importanza.

L'obiettivo principale di ogni banca o istituto finanziario è la soddisfazione e la sicurezza dei propri correntisti. Nell'ambito delle loro attività quotidiane, questi istituti gestiscono i conti dei clienti, supervisionano gli investimenti, mantengono un'adeguata liquidità e svolgono altre funzioni.

Purtroppo, il settore bancario sta affrontando una minaccia significativa da parte di attività sospette e dannose che non solo mettono in pericolo i clienti, ma anche il settore nel suo complesso. Fino a poco tempo fa, le banche hanno utilizzato per lo più sistemi manuali basati su regole, ma con i truffatori sempre più sofisticati, questi sistemi stanno rapidamente diventando inefficienti.

Una delle principali banche americane si è rivolta a Innowise, alla ricerca di un sistema di machine learning per individuare e combattere le frodi finanziarie. Con l'espansione del cliente e l'aumento del numero di transazioni, la banca si è trovata periodicamente ad affrontare attività illecite che mettevano in pericolo la sua sicurezza e la sua reputazione. Sicuramente il nostro cliente disponeva di un sistema antiriciclaggio che impediva ai profitti criminali di essere camuffati e incorporati nel sistema finanziario. Tuttavia, mancava di accuratezza, mostrando un elevato numero di falsi positivi e lasciando spazio a operazioni di acquisizione di conti e frodi nei pagamenti.

Soluzione: Soluzione basata su ML per rilevare le anomalie delle transazioni e prevenire le attività fraudolente

Innowise ha consigliato di integrare nell'ecosistema bancario un'estensione dotata di ML per analizzare grandi volumi di dati e salvaguardare i fondi da attività dannose. Le transazioni dei titolari dei conti vengono analizzate e avvisate se viene rilevato un comportamento non caratteristico, sospetto o fraudolento. Utilizzando il deep learning negli algoritmi fintech, il nostro team di progetto ha analizzato grandi quantità di dati per rilevare anomalie che potrebbero indicare una frode.

Aggregazione dei dati

Come primo passo, Innowise ha raccolto e consolidato tutti i dati bancari, tra cui l'identità degli utenti, la loro ubicazione, i metodi di pagamento, la cronologia delle transazioni e altri fattori rilevanti.

Elaborazione di schemi anomali

Abbiamo ricavato modelli distintivi, come importi di transazioni insolitamente elevati o frazionamenti di transazioni per evitare la dichiarazione fiscale automatica. Questi schemi consentono agli algoritmi di ML di distinguere le attività fraudolente dalle normali operazioni bancarie e di attivare azioni appropriate quando emerge uno schema rischioso. Su questa base, le transazioni vengono classificate come "buone" (legittime) o "cattive" (fraudolente).

Complessivamente, Innowise ha avuto accesso a un vasto set di dati (ad esempio, decine di milioni di campioni basati su reti neurali, dati transazionali e storici), molto efficace nell'identificare modelli e individuare comportamenti anomali che si discostano dalla norma. Abbiamo selezionato le caratteristiche più critiche confrontando le aspettative con i dati reali e con tecniche di eliminazione ricorsiva delle caratteristiche. Inoltre, il nostro team ha identificato le etichette dei dati mancanti, fornendo tecniche per una migliore individuazione delle frodi.

Formazione del modello

Poiché i modelli basati sulle regole evidenziano i casi di frode espliciti, i nostri specialisti di ML hanno sviluppato algoritmi che rilevano circostanze insolite o sconosciute in cui gli algoritmi convenzionali falliscono. Di conseguenza, l'estensione è in grado di fare previsioni anche in assenza di dati sufficienti, affidandosi alle tecniche di addestramento dell'apprendimento automatico. In questo modo, la nostra soluzione utilizza rappresentazioni incorporate invece delle classiche caratteristiche aggregate per elaborare le transazioni.

Modello ML completo

Quando viene identificata una minaccia, il sistema trasmette questi dati in tempo reale all'amministratore, che può bloccare o annullare le operazioni fino a ulteriori indagini. A seconda della probabilità di frode, ci sono tre possibili esiti:

Se la probabilità di frode è inferiore a 5%, la transazione viene approvata;
Se la probabilità di frode è compresa tra 6% e 70%, è necessario un controllo supplementare come un codice SMS una tantum, un'impronta digitale o una domanda segreta;
Se la probabilità di frode supera l'80%, la transazione viene rifiutata e richiede un'elaborazione e un'analisi manuale.

Inoltre, abbiamo garantito strumenti completi di spiegazione dei modelli di ML, aiutando a comprendere i risultati delle previsioni e fornendo un'esperienza utente senza soluzione di continuità.

Tecnologie

Back-end

Python, Scala

Front-end

HTML, CSS, React, MUI

Ingegneria dei dati

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

Apprendimento automatico/Scienza dei dati

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

MLOps

DVC, MLFlow, Comet

Ambiente

Docker, Docker Compose, Kubernetes, Jenkins

Processo

Inizialmente, il nostro team di progetto ha sviluppato requisiti commerciali e tecnici per soddisfare le aspettative del cliente. Nel corso del progetto, il nostro analista aziendale mantenere uno stretto contatto con i consulenti bancari del cliente per ottenere una comprensione più approfondita dell'attività del cliente e trarre il massimo vantaggio dall'apprendimento automatico nei servizi finanziari.

Per quanto riguarda la soluzione ML, l'aspetto più impegnativo è stato il raggiungimento di metriche ottimali per utenti con storie di transazioni diverse. Il nostro modello si è rivelato efficace per i titolari di conti con un'ampia storia di transazioni, ma inefficace per i nuovi utenti che non dispongono di dati storici. Tali utenti sono stati trattati come conti inattivi contenenti solo informazioni sull'identità e nessuna cronologia delle transazioni. Sebbene questa ipotesi elimini il vantaggio di disporre di dati completi sugli utenti, essa produce comunque risultati di addestramento ragionevolmente stabili per il modello ML.

Dopo aver discusso il problema, abbiamo studiato metodi di "apprendimento a pochi colpi" che potessero migliorare le nostre metriche. Abbiamo condotto una prova di concetto che però non ha prodotto i miglioramenti sostanziali che avevamo previsto. Pertanto, il nostro team di progetto ha continuato a migliorare la piattaforma e ad approfondire il settore di attività del nostro cliente. Questo ci ha permesso di progettare funzionalità che hanno avuto un impatto significativo sul modello "few-shot learning", garantendo risultati di previsione accurati per il progetto di machine learning bancario.

Il nostro team ha seguito la metodologia Scrum, con sprint di tre settimane per tutta la durata del progetto. Abbiamo organizzato incontri regolari con il team tramite Microsoft Teams per monitorare l'avanzamento del progetto e per accogliere eventuali modifiche all'ambito. Ad oggi, il progetto è stato completato con successo.

Team

Responsabile di progetto

Analista aziendale

Sviluppatori Front-End

Sviluppatori back-end

Ingegneri ML

Ingegneri dei dati

Designer UI/UX

Ingegnere QA

Risultati: velocità di elaborazione superiore di x2,4 con meno falsi positivi e un rischio ridotto di frodi non individuate

Innowise ha sviluppato un'estensione avanzata dotata di ML per rilevare attività sospette o fraudolente e adottare misure proattive in base a queste. Abbiamo garantito una sicurezza impeccabile ed eliminato il rischio di violazioni e crimini finanziari. Nel complesso, l'implementazione del machine learning nel settore bancario e finanziario ha portato i seguenti vantaggi:

velocità superiore

Gli algoritmi di apprendimento automatico analizzano rapidamente grandi quantità di dati. Con la crescita del ritmo e del volume delle transazioni bancarie, la nostra piattaforma di apprendimento automatico esamina continuamente nuove informazioni.

miglioramento dell'efficienza

Gli algoritmi di apprendimento automatico sono in grado di eseguire operazioni ripetitive e di individuare istantaneamente sottili alterazioni nei modelli. La nostra soluzione ML esamina centinaia di migliaia di pagamenti al secondo, snellendo l'intero processo di transazione.

precisione

In questo progetto abbiamo utilizzato algoritmi di apprendimento automatico che possono essere addestrati per identificare modelli all'interno di dati apparentemente banali. Riconoscono schemi sottili o non intuitivi che sarebbero difficili, se non impossibili, da individuare per gli esseri umani. Questo migliora la precisione del rilevamento delle frodi, con conseguente riduzione dei falsi positivi e del rischio di frodi non individuate.

Durata del progetto

Giugno 2021 - dicembre 2022

99.3%

accuratezza nella riduzione delle frodi

x2.4

velocità di elaborazione più elevata

Casi correlati

Contattateci!

Prenota una chiamata oppure compilate il modulo sottostante e sarete ricontattati una volta elaborata la vostra richiesta.

Nome

Azienda

Telefono

Messaggio Si prega di includere i dettagli del progetto, la durata, lo stack tecnologico, i professionisti IT necessari e altre informazioni pertinenti

Registra un messaggio vocale sul tuo
progetto per aiutarci a capirlo meglio

Allega ulteriori documenti se necessario

Caricare il file

È possibile allegare fino a 1 file di 2 MB complessivi. File validi: pdf, jpg, jpeg, png

Vi informiamo che cliccando sul pulsante Invia, Innowise tratterà i vostri dati personali in conformità con la nostra Informativa sulla privacy allo scopo di fornirvi informazioni adeguate.

Cosa succede dopo?

Dopo aver ricevuto ed elaborato la vostra richiesta, vi ricontatteremo a breve per illustrare le esigenze del progetto e firmare un NDA per garantire la riservatezza delle informazioni.

Dopo aver esaminato i requisiti, i nostri analisti e sviluppatori elaborano una proposta di progetto con l'ambito di lavoro, le dimensioni del team, i tempi e i costi stimati.

Organizziamo un incontro con voi per discutere l'offerta e giungere a un accordo.

Firmiamo un contratto e iniziamo a lavorare sul vostro progetto il prima possibile.

Machine learning nel settore bancario: riduzione di 5 volte del rischio di frode attraverso il rilevamento delle anomalie delle transazioni

Cliente

Sfida: aumento del rischio di frode finanziaria e di appropriazione dei conti di una banca americana di primaria importanza.

Soluzione: Soluzione basata su ML per rilevare le anomalie delle transazioni e prevenire le attività fraudolente

Tecnologie

Processo

Team

Risultati: velocità di elaborazione superiore di x2,4 con meno falsi positivi e un rischio ridotto di frodi non individuate

Casi correlati

Contattateci!

Cosa succede dopo?

Sviluppiamo software insieme ^●

Fare un'altra richiesta

Chiudere

Machine learning nel settore bancario: riduzione di 5 volte del rischio di frode attraverso il rilevamento delle anomalie delle transazioni

Cliente

Sfida: aumento del rischio di frode finanziaria e di appropriazione dei conti di una banca americana di primaria importanza.

Soluzione: Soluzione basata su ML per rilevare le anomalie delle transazioni e prevenire le attività fraudolente

Tecnologie

Processo

Team

Risultati: velocità di elaborazione superiore di x2,4 con meno falsi positivi e un rischio ridotto di frodi non individuate

Casi correlati

Contattateci!

Cosa succede dopo?

Sviluppiamo software insieme ●

Abbonarsi a la nostra newsletter

Fare un'altra richiesta

Chiudere

Sviluppiamo software insieme ^●

Abbonarsi
a la nostra newsletter