Maskinlæring i banksektoren: 5 ganger lavere risiko for svindel ved å oppdage avvik i transaksjoner

Innledningsvis utviklet prosjektteamet vårt forretningsmessige og tekniske krav for å oppfylle kundens forventninger. Gjennom hele prosjektet har våre forretningsanalytiker opprettholdt tett kontakt med kundens bankkonsulenter for å få en dypere forståelse av kundens virksomhet og dra full nytte av maskinlæring i finansielle tjenester.

Når det gjelder ML-løsningen, var den største utfordringen å oppnå optimale beregninger for brukere med ulik transaksjonshistorikk. Modellen vår var effektiv for kontoinnehavere med omfattende transaksjonshistorikk, men ineffektiv for nye brukere med mangel på historiske data. Slike brukere ble behandlet som inaktive kontoer med kun identitetsinformasjon og ingen transaksjonshistorikk. Selv om denne antagelsen eliminerer fordelen ved å ha fullstendige brukerdata, gir den likevel rimelig stabile treningsresultater for ML-modellen.

Etter å ha diskutert problemet undersøkte vi metoder for "few-shot learning" som kunne forbedre beregningene våre. Vi gjennomførte et proof of concept, men det resulterte ikke i de betydelige forbedringene vi hadde forventet. Derfor fortsatte prosjektteamet vårt å forbedre plattformen og gå dypere inn i kundens forretningsområde. Dette gjorde det mulig for oss å utforme funksjoner som hadde stor innvirkning på "few-shot learning"-modellen, noe som sikret nøyaktige prediksjonsresultater for maskinlæringsprosjektet.

Teamet vårt fulgte Scrum-metodikken, med treukers sprinter gjennom hele prosjektet. Vi hadde jevnlige møter med teamet via Microsoft Teams for å overvåke fremdriften i prosjektet og ta hensyn til eventuelle endringer i omfanget. I skrivende stund er prosjektet fullført.