Møt oss på E-commerce Berlin Expo, 22. februar 2024.

Legg igjen kontaktinformasjonen din, så sender vi deg vår whitepaper på e-post.
Jeg samtykker i å behandle personopplysningene mine for å sende personlig tilpasset markedsføringsmateriell i samsvar med Retningslinjer for personvern. Ved å bekrefte innsendingen samtykker du i å motta markedsføringsmateriell.
Takk skal du ha!

Skjemaet har blitt sendt inn.
Mer informasjon finner du i postkassen din.

Innowise er et internasjonalt selskap som utvikler programvare for hele syklusen. selskap grunnlagt i 2007. Vi er et team på mer enn 1600+ IT-profesjonelle som utvikler programvare for andre fagfolk over hele verden.
Om oss
Innowise er et internasjonalt selskap som utvikler programvare for hele syklusen. selskap grunnlagt i 2007. Vi er et team på 1400+ IT-profesjonelle som utvikler programvare for andre fagfolk over hele verden.

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

Innowise har utviklet et ML-drevet system som overvåker digitale transaksjoner og oppdager mistenkelig eller uredelig atferd.

Kunde

Industri
Bankvirksomhet, finans
Region
USA
Kunde siden
2021

Kunden vår er en stor forretningsbank med et nettverk av filialer over hele landet som tilbyr innskudd, lån og andre tjenester.

Detaljert informasjon om kunden kan ikke utleveres i henhold til bestemmelsene i NDA.

Utfordring: Økt risiko for økonomisk svindel og overtakelse av kontoer i en viktig amerikansk bank.

Alle banker og finansinstitusjoner fokuserer først og fremst på kontohavernes tilfredshet og sikkerhet. Som en del av den daglige driften håndterer disse institusjonene kundekontoer, overvåker investeringer, opprettholder tilstrekkelig likviditet og utfører andre funksjoner.

Dessverre står bankbransjen for tiden overfor en betydelig trussel fra mistenkelige og ondsinnede aktiviteter som ikke bare truer kundene, men også bransjen som helhet. Inntil nylig har bankene stort sett brukt manuelle, regelbaserte systemer, men i takt med at svindlerne blir stadig mer sofistikerte, blir disse systemene stadig mer ineffektive.

En av de viktigste amerikanske bankene henvendte seg til Innowise på jakt etter en effektiv maskinlæring i en bankløsning for å oppdage og bekjempe økonomisk svindel. Etter hvert som kunden ekspanderte og antallet transaksjoner økte, ble banken med jevne mellomrom utsatt for ondsinnede aktiviteter som truet sikkerheten og omdømmet. Kunden vår hadde riktignok et anti-hvitvaskingssystem som forhindret at kriminell profitt ble kamuflert og innlemmet i det finansielle systemet. Systemet manglet imidlertid nøyaktighet, viste et høyt antall falske positiver og ga rom for kontoovertakelser og betalingssvindel.

Løsning: ML-basert løsning for å oppdage transaksjonsavvik og forhindre svindel.

Innowise anbefalte å integrere en ML-drevet utvidelse i bankøkosystemet for å analysere store datamengder og beskytte midler mot ondsinnede aktiviteter. Kontoinnehavernes transaksjoner analyseres og varsles hvis det oppdages ukarakteristisk, mistenkelig eller uredelig atferd. Ved hjelp av dybdelæring i fintech-algoritmer analyserte prosjektteamet vårt store datamengder for å oppdage avvik som kunne tyde på svindel.
Svindeloppdagelse i banksektoren

Aggregering av data

I første omgang samlet og konsoliderte Innowise alle bankrelaterte data, inkludert brukernes identitet, lokasjon, betalingsmåter, transaksjonshistorikk og andre relevante faktorer.

Utarbeidelse av unormale mønstre

Vi utledet særegne mønstre, for eksempel uvanlig høye transaksjonsbeløp eller oppsplitting av transaksjoner for å unngå automatisk skatterapportering. Disse mønstrene gjør det mulig for ML-algoritmer å skille svindel fra vanlige banktransaksjoner og iverksette egnede tiltak når et risikabelt mønster dukker opp. Basert på dette kategoriseres transaksjonene som enten "gode" (legitime) eller "dårlige" (falske). 

Samlet sett har Innowise tilgang til et stort datasett (f.eks. flere titalls millioner eksempler basert på nevrale nettverk, transaksjonsdata og historiske data) som er svært effektivt når det gjelder å identifisere mønstre og oppdage unormal atferd som avviker fra normen. Vi valgte ut de mest kritiske funksjonene ved å sammenligne forventninger med faktiske data og rekursive teknikker for eliminering av funksjoner. Teamet vårt har også identifisert manglende dataetiketter og utviklet teknikker for bedre svindeloppdagelse.

Modellopplæring

Siden regelbaserte mønstre fremhever eksplisitte svindelsaker, har ML-spesialistene våre utviklet algoritmer som oppdager uvanlige eller ukjente omstendigheter der konvensjonelle algoritmer mislykkes. Som et resultat kan utvidelsen gjøre prediksjoner selv uten tilstrekkelig med data, ved hjelp av maskinlæringsteknikker. Dermed bruker løsningen vår innebygde representasjoner i stedet for klassiske aggregerte funksjoner til å behandle transaksjoner.

Fullverdig ML-modell

Når en trussel identifiseres, overfører systemet disse dataene i sanntid til administratoren, som kan fryse eller avbryte driften inntil videre. Avhengig av sannsynligheten for svindel er det tre mulige utfall:

  • Hvis sannsynligheten for svindel er under 5%, godkjennes transaksjonen;
  • Hvis sannsynligheten for svindel er mellom 6% og 70%, kreves det en ekstra kontroll, for eksempel en engangs-SMS-kode, fingeravtrykk eller et hemmelig spørsmål;
  • Hvis sannsynligheten for svindel overstiger 80%, avvises transaksjonen og krever manuell behandling og analyse.

I tillegg har vi sørget for omfattende forklaringsverktøy for ML-modeller som gjør det lettere å forstå prediksjonsresultatene og gir en sømløs brukeropplevelse.

Teknologier

Back-end
Python, Scala
Front-end
HTML, CSS, React, MUI
Data Engineering
Apache Flink, Redis Feast, Apache Hive, Apache Airflow, Apache Kafka, Apache Spark
Maskinlæring/datavitenskap
Apache Spark MLLib, Scikit-learn, LightGBM, XGBoost, Hyperopt, PySpark, Numpy, Pandas, Scipy
MLOps
DVC, MLFlow, Comet
Miljø
Docker, Docker Compose, Kubernetes, Jenkins

Prosess

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.

Team

1
Prosjektleder
1
Forretningsanalytiker
2
Front-end-utviklere
2
Back-end-utviklere
3
ML Ingeniører
2
Dataingeniører
1
UI/UX-designer
1
Kvalitets- sikringsingeniør

Resultater: x2,4 raskere behandlingshastighet med færre falske positiver og redusert risiko for uoppdaget svindel.

Innowise har utviklet en avansert ML-drevet utvidelse for å oppdage mistenkelige eller uredelige aktiviteter og iverksette proaktive tiltak basert på dette. Vi sørget for upåklagelig sikkerhet og eliminerte risikoen for sikkerhetsbrudd og økonomisk kriminalitet. Alt i alt ga implementeringen av maskinlæring i bank- og finanssektoren følgende fordeler:

  • høyere hastighet

Maskinlæringsalgoritmer analyserer raskt store mengder data. I takt med at tempoet og volumet på banktransaksjoner øker, analyserer maskinlæringsplattformen vår kontinuerlig ny informasjon.

  • økt effektivitet

Maskinlæringsalgoritmer kan utføre repetitive operasjoner og umiddelbart oppdage små endringer i mønstrene. ML-løsningen vår undersøker hundretusener av betalinger i sekundet og effektiviserer hele transaksjonsprosessen.

  • nøyaktighet

I dette prosjektet brukte vi maskinlæringsalgoritmer som kan trenes opp til å identifisere mønstre i tilsynelatende trivielle data. De gjenkjenner subtile eller ikke-intuitive mønstre som ville vært utfordrende, om ikke umulig, for mennesker å oppdage. Dette øker presisjonen i svindelavsløringen, noe som resulterer i færre falske positiver og redusert risiko for uoppdaget svindel.

Prosjektets varighet
  • Juni 2021 - desember 2022

99.3% 

nøyaktighet for å redusere svindel

x2.4
raskere behandlingshastighet

Ta kontakt med oss!

Bestill en samtale eller fyll ut skjemaet nedenfor, så kontakter vi deg så snart vi har behandlet forespørselen din.

    Ta med prosjektdetaljer, varighet, teknisk stack, behov for IT-fagfolk og annen relevant informasjon.
    Spill inn en talemelding om din
    prosjektet for å hjelpe oss å forstå det bedre
    Legg ved ytterligere dokumenter om nødvendig
    Last opp fil

    Du kan legge ved opptil 1 fil på totalt 2 MB. Gyldige filer: pdf, jpg, jpeg, png

    Vær oppmerksom på at når du klikker på Send-knappen, vil Innowise behandle personopplysningene dine i samsvar med vår Personvernerklæring for å gi deg relevant informasjon.

    Hva skjer videre?

    1

    Etter at vi har mottatt og behandlet forespørselen din, vil vi komme tilbake til deg innen kort tid for å beskrive prosjektbehovene dine og undertegne en taushetserklæring for å sikre informasjonens konfidensialitet.

    2

    Etter å ha undersøkt kravene, utarbeider våre analytikere og utviklere en prosjektforslag med arbeidsomfang, teamstørrelse, tid og kostnader estimater.

    3

    Vi arrangerer et møte med deg for å diskutere tilbudet og komme til en avtale.

    4

    Vi signerer en kontrakt og begynner å jobbe med prosjektet ditt så raskt som mulig.

    Takk skal du ha!

    Meldingen din er sendt.
    Vi behandler forespørselen din og kontakter deg så snart som mulig.

    Dette nettstedet bruker informasjonskapsler

    Vi bruker informasjonskapsler for å forbedre nettleseropplevelsen din, vise tilpassede annonser eller innhold og analysere trafikken på nettstedet. Ved å klikke på "Godta alle" samtykker du i vår bruk av informasjonskapsler. Ta en titt på våre Retningslinjer for personvern.

    Takk skal du ha!

    Meldingen din er sendt.
    Vi behandler forespørselen din og kontakter deg så snart som mulig.

    pil