Machine learning in bankieren: 5x minder frauderisico door anomaliedetectie van transacties

In eerste instantie ontwikkelde ons projectteam zakelijke en technische vereisten om aan de verwachtingen van de klant te voldoen. Gedurende het project bedrijfsanalist onderhoudt nauw contact met de bankconsultants van de klant om een beter inzicht te krijgen in de activiteiten van de klant en optimaal te profiteren van machine learning in de financiële dienstverlening.

Wat betreft de ML-oplossing was het meest uitdagende aspect het bereiken van optimale statistieken voor gebruikers met een verschillende transactiegeschiedenis. Ons model was effectief voor rekeninghouders met een aanzienlijke transactiegeschiedenis, maar ineffectief voor nieuwe gebruikers met een gebrek aan historische gegevens. Dergelijke gebruikers werden behandeld als inactieve accounts die alleen identiteitsinformatie bevatten en geen transactiegeschiedenis. Hoewel deze aanname het voordeel van volledige gebruikersgegevens teniet doet, levert het toch redelijk stabiele trainingsresultaten op voor het ML model.

Nadat we het probleem hadden besproken, onderzochten we "few-shot learning" methodes die onze statistieken zouden kunnen verbeteren. We voerden een proof of concept uit, maar dit resulteerde niet in de substantiële verbeteringen die we verwachtten. Daarom ging ons projectteam door met het verbeteren van het platform en het verdiepen in het bedrijfsdomein van onze klant. Dit stelde ons in staat om functies te ontwerpen die het "few-shot learning"-model aanzienlijk beïnvloedden, waardoor nauwkeurige voorspellingsresultaten voor het bancaire machine learning-project werden gegarandeerd.

Ons team volgde de Scrum-methodologie, met sprints van drie weken gedurende het hele project. We hielden regelmatig bijeenkomsten met het team via Microsoft Teams om de voortgang van het project te bewaken en eventuele wijzigingen in de scope door te voeren. Tot nu toe is het project succesvol afgerond.