Uczenie maszynowe w bankowości: 5-krotne zmniejszenie ryzyka oszustwa dzięki wykrywaniu anomalii transakcji

Innowise opracował system oparty na ML, który monitoruje transakcje cyfrowe i wykrywa podejrzane lub nieuczciwe zachowania.

Klient

Branża

Bankowość, Finanse

Region

USA

Klient od

2021

Naszym klientem jest duży bank komercyjny z siecią oddziałów w całym kraju, oferujący depozyty, pożyczki i inne usługi.

Szczegółowe informacje o kliencie nie mogą być ujawnione zgodnie z postanowieniami NDA.

Wyzwanie: Zwiększone ryzyko oszustw finansowych i przejęć kont, z którymi zetknął się kluczowy amerykański bank.

Głównym celem każdego banku lub instytucji finansowej jest zadowolenie i bezpieczeństwo posiadaczy rachunków. W ramach codziennej działalności instytucje te obsługują rachunki klientów, nadzorują inwestycje, utrzymują odpowiednią płynność i wykonują inne funkcje.

Niestety, branża bankowa stoi obecnie w obliczu poważnego zagrożenia ze strony podejrzanych i złośliwych działań, które nie tylko zagrażają klientom, ale także całej branży. Do niedawna banki korzystały głównie z ręcznych systemów opartych na regułach, ale w miarę jak oszuści stawali się coraz bardziej wyrafinowani, systemy te szybko stawały się nieefektywne.

Jeden z kluczowych amerykańskich banków zwrócił się do Innowise, szukając skutecznego rozwiązania. uczenia maszynowego (ML). w rozwiązaniu bankowym do wykrywania i zwalczania oszustw finansowych. Wraz z rozwojem klienta i wzrostem liczby transakcji, bank okresowo spotykał się ze złośliwymi działaniami, które zagrażały jego bezpieczeństwu i reputacji. Z pewnością nasz klient posiadał system przeciwdziałania praniu brudnych pieniędzy, który zapobiegał kamuflowaniu zysków z przestępstw i włączaniu ich do systemu finansowego. Jednak brakowało mu dokładności, wykazując dużą liczbę fałszywych alarmów i pozostawiając miejsce na przejęcia kont i oszustwa płatnicze.

Rozwiązanie: Rozwiązanie oparte na uczenie maszynowym do wykrywania anomalii w transakcjach i zapobiegania nieuczciwym działaniom

Innowise zalecił integrację rozszerzenia opartego na ML z ekosystemem bankowym w celu analizy dużych ilości danych i ochrony funduszy przed złośliwymi działaniami. Transakcje posiadaczy kont są analizowane i ostrzegane w przypadku wykrycia jakichkolwiek nietypowych, podejrzanych lub oszukańczych zachowań. Wykorzystując głębokie uczenie w algorytmach fintech, nasz zespół projektowy przeanalizował ogromne ilości danych w celu wykrycia nieprawidłowości, które mogłyby wskazywać na oszustwo.

Agregacja danych

W pierwszym kroku Innowise zebrał i skonsolidował wszystkie dane związane z bankowością, w tym tożsamość użytkownika, lokalizacje, metody płatności, historie transakcji i inne istotne czynniki.

Opracowanie nieprawidłowych wzorców

Uzyskaliśmy charakterystyczne wzorce, takie jak niezwykle wysokie kwoty transakcji lub dzielenie transakcji w celu uniknięcia automatycznego raportowania podatkowego. Wzorce te umożliwiają algorytmom uczenia maszynowego odróżnianie oszukańczych działań od zwykłych operacji bankowych i uruchamianie odpowiednich działań w przypadku pojawienia się ryzykownego wzorca. Na tej podstawie transakcje są kategoryzowane jako "dobre" (legalne) lub "złe" (oszukańcze).

Ogólnie rzecz biorąc, Innowise uzyskał dostęp do ogromnego zbioru danych (np. dziesiątek milionów próbek opartych na sieci neuronowej, danych transakcyjnych i historycznych), bardzo skutecznego w identyfikowaniu wzorców i wykrywaniu nieprawidłowych zachowań, które odbiegają od normy. Wybraliśmy najbardziej krytyczne cechy, porównując oczekiwania z rzeczywistymi danymi i rekurencyjnymi technikami eliminacji cech. Nasz zespół zidentyfikował również brakujące etykiety danych, zapewniając techniki lepszego wykrywania oszustw.

Szkolenie modelowe

Ponieważ wzorce oparte na regułach podkreślają wyraźne przypadki oszustw, nasi specjaliści ML opracowali algorytmy wykrywające nietypowe lub nieznane okoliczności, w których konwencjonalne algorytmy zawodzą. W rezultacie rozszerzenie może przewidywać nawet bez wystarczającej ilości danych, opierając się na technikach uczenia maszynowego. W ten sposób nasze rozwiązanie wykorzystuje wbudowane reprezentacje zamiast klasycznych zagregowanych funkcji do przetwarzania transakcji.

Pełnoprawny model ML

Po zidentyfikowaniu zagrożenia, system przesyła te dane w czasie rzeczywistym do administratora, który może zamrozić lub anulować operacje do czasu dalszego zbadania. W zależności od prawdopodobieństwa wystąpienia oszustwa, istnieją trzy możliwe rozwiązania:

Jeśli prawdopodobieństwo oszustwa jest niższe niż 5%, transakcja zostaje zatwierdzona;
Jeśli prawdopodobieństwo oszustwa wynosi od 6% do 70%, wymagana jest dodatkowa kontrola, taka jak jednorazowy kod SMS, odcisk palca lub tajne pytanie;
Jeśli prawdopodobieństwo oszustwa przekracza 80%, transakcja jest odrzucana, co wymaga ręcznego przetwarzania i analizy.

Ponadto zapewniliśmy kompleksowe narzędzia do wyjaśniania modeli ML, pomagające zrozumieć wyniki przewidywania i zapewniające płynne wrażenia użytkownika.

Technologie

Back-end

Python, Scala

Front-end

HTML, CSS, React, MUI

Inżynieria danych

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

Uczenie maszynowe/nauka o danych

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

MLOps

DVC, MLFlow, Comet

Środowisko

Docker, Docker Compose, Kubernetes, Jenkins

Proces

Początkowo nasz zespół projektowy opracował wymagania biznesowe i techniczne, aby spełnić oczekiwania klientów. Przez cały czas trwania projektu, nasz analityk biznesowy utrzymywał bliski kontakt z konsultantami bankowymi klienta, aby uzyskać głębsze zrozumienie działalności klienta i w pełni wykorzystać uczenie maszynowe w usługach finansowych.

Jeśli chodzi o rozwiązanie ML, najtrudniejszym aspektem było osiągnięcie optymalnych wskaźników dla użytkowników o różnej historii transakcji. Nasz model był skuteczny w przypadku posiadaczy kont ze znaczną historią transakcji, ale nieskuteczny w przypadku nowych użytkowników z brakiem danych historycznych. Tacy użytkownicy byli traktowani jako nieaktywne konta zawierające tylko informacje o tożsamości i bez historii transakcji. Chociaż to założenie eliminuje korzyści płynące z posiadania pełnych danych użytkownika, to jednak daje dość stabilne wyniki uczenia dla modelu ML.

Po przedyskutowaniu tej kwestii, zbadaliśmy metody "kilkukrotnego uczenia się", które mogłyby poprawić nasze wskaźniki. Przeprowadziliśmy weryfikację koncepcji, ale nie przyniosło to znacznej poprawy, jakiej się spodziewaliśmy. Dlatego nasz zespół projektowy kontynuował ulepszanie platformy i zagłębiał się w domenę biznesową naszego klienta. Umożliwiło nam to zaprojektowanie funkcji, które znacząco wpłynęły na model "few-shot learning", zapewniając dokładne wyniki przewidywania dla bankowego projektu uczenia maszynowego.

Nasz zespół postępował zgodnie z metodologią Scrum, z trzytygodniowymi sprintami przez cały czas trwania projektu. Organizowaliśmy regularne spotkania z zespołem za pośrednictwem Microsoft Teams, aby monitorować postępy projektu i uwzględniać wszelkie zmiany w jego zakresie. Obecnie projekt został pomyślnie zakończony.

Zespół

Kierownik projektu

Analityk biznesowy

Programistów front-end

Programistów back-end

Inżynierowie ML

Inżynierowie danych

Projektant UI/UX

Wyniki: x2,4 szybsze przetwarzanie przy mniejszej liczbie fałszywych alarmów i zmniejszonym ryzyku niewykrycia oszustwa.

Innowise opracowało zaawansowane rozszerzenie oparte na ML, aby wykrywać podejrzane lub nieuczciwe działania i podejmować na tej podstawie proaktywne działania. Zapewniliśmy nienaganne bezpieczeństwo i wyeliminowaliśmy ryzyko naruszeń i przestępstw finansowych. Ogólnie rzecz biorąc, uczenie maszynowe w bankowości i finansach przyniosło następujące korzyści:

wyższa prędkość

Algorytmy uczenia maszynowego szybko analizują ogromne ilości danych. Wraz z rosnącym tempem i wolumenem transakcji bankowych, nasza platforma uczenia maszynowego nieustannie analizuje nowe informacje.

Zwiększona wydajność

Algorytmy uczenia maszynowego mogą wykonywać powtarzalne operacje i natychmiast wykrywać subtelne zmiany we wzorcach. Nasze rozwiązanie ML analizuje setki tysięcy płatności na sekundę, usprawniając cały proces transakcji.

dokładność

W tym projekcie wykorzystaliśmy algorytmy uczenia maszynowego, które można wyszkolić do identyfikowania wzorców w pozornie trywialnych danych. Rozpoznają one subtelne lub nieintuicyjne wzorce, których dostrzeżenie przez człowieka byłoby trudne, a nawet niemożliwe. Zwiększa to precyzję wykrywania oszustw, skutkując mniejszą liczbą fałszywych alarmów i zmniejszonym ryzykiem niewykrycia oszustwa.

Czas trwania projektu

Czerwiec 2021 - grudzień 2022

99.3%

dokładność w ograniczaniu oszustw

x2.4

większa prędkość przetwarzania

Podobne projekty

Skontaktuj się z nami!

Zadzwoń lub wypełnij poniższy formularz, a my skontaktujemy się z Tobą po przetworzeniu Twojego zgłoszenia.

Nazwa

Firma

E-mail

Telefon

Wiadomość Prosimy o podanie szczegółów projektu, czasu trwania, stosu technologicznego, potrzebnych specjalistów IT i innych istotnych informacji.

Nagraj wiadomość głosową na temat
projekt, który pomoże nam lepiej go zrozumieć

W razie potrzeby dołącz dodatkowe dokumenty

Prześlij plik

Można załączyć maksymalnie 1 plik o łącznej wielkości 2 MB. Ważne pliki: pdf, jpg, jpeg, png

Informujemy, że po kliknięciu przycisku Wyślij Innowise będzie przetwarzać Twoje dane osobowe zgodnie z naszą Polityką prywatności w celu dostarczenia Ci odpowiednich informacji.

Co będzie dalej?

Po otrzymaniu i przetworzeniu Twojego zgłoszenia skontaktujemy się z Tobą wkrótce, aby wyszczególnić potrzeby projektu i podpisać umowę o zachowaniu poufności, aby zapewnić poufność informacji.

Po przeanalizowaniu wymagań, nasi analitycy i programiści opracowują projekt z zakresem prac, wielkością zespołu, czasem i kosztami szacunki.

Umówimy się z Tobą na spotkanie, aby omówić ofertę i dojść do porozumienia porozumienia.

Podpisujemy umowę i rozpoczynamy pracę nad projektem tak szybko, jak to możliwe.

Uczenie maszynowe w bankowości: 5-krotne zmniejszenie ryzyka oszustwa dzięki wykrywaniu anomalii transakcji

Klient

Wyzwanie: Zwiększone ryzyko oszustw finansowych i przejęć kont, z którymi zetknął się kluczowy amerykański bank.

Rozwiązanie: Rozwiązanie oparte na uczenie maszynowym do wykrywania anomalii w transakcjach i zapobiegania nieuczciwym działaniom

Technologie

Proces

Zespół

Wyniki: x2,4 szybsze przetwarzanie przy mniejszej liczbie fałszywych alarmów i zmniejszonym ryzyku niewykrycia oszustwa.

Podobne projekty

Skontaktuj się z nami!

Co będzie dalej?

Rozwijajmy^● razem
oprogramowanie!

Złóż kolejną prośbę

Zamknij

Uczenie maszynowe w bankowości: 5-krotne zmniejszenie ryzyka oszustwa dzięki wykrywaniu anomalii transakcji

Klient

Wyzwanie: Zwiększone ryzyko oszustw finansowych i przejęć kont, z którymi zetknął się kluczowy amerykański bank.

Rozwiązanie: Rozwiązanie oparte na uczenie maszynowym do wykrywania anomalii w transakcjach i zapobiegania nieuczciwym działaniom

Technologie

Proces

Zespół

Wyniki: x2,4 szybsze przetwarzanie przy mniejszej liczbie fałszywych alarmów i zmniejszonym ryzyku niewykrycia oszustwa.

Podobne projekty

Skontaktuj się z nami!

Co będzie dalej?

Rozwijajmy● razem oprogramowanie!

Subskrypcja na adres nasz newsletter

Złóż kolejną prośbę

Zamknij

Rozwijajmy^● razem
oprogramowanie!

Subskrypcja
na adres nasz newsletter