Aprendizagem automática no sector bancário: redução de 5x do risco de fraude através da deteção de anomalias nas transacções

Inicialmente, a nossa equipa de projeto desenvolveu requisitos comerciais e técnicos para satisfazer as expectativas do cliente. Ao longo do projeto, a nossa analista de negócios manteve um contacto estreito com os consultores bancários do cliente para obter uma compreensão mais profunda do negócio do cliente e tirar o máximo partido da aprendizagem automática nos serviços financeiros.

No que diz respeito à solução ML, o aspeto mais difícil foi obter métricas óptimas para utilizadores com diferentes históricos de transacções. O nosso modelo foi eficaz para titulares de contas com um histórico de transacções substancial, mas ineficaz para novos utilizadores com falta de dados históricos. Esses utilizadores foram tratados como contas inactivas, contendo apenas informações de identidade e sem histórico de transacções. Embora este pressuposto elimine a vantagem de ter dados completos do utilizador, produz, no entanto, resultados de formação razoavelmente estáveis para o modelo ML.

Depois de discutirmos a questão, investigámos métodos de "aprendizagem de poucos disparos" que poderiam melhorar as nossas métricas. Realizámos uma prova de conceito, mas não resultou nas melhorias substanciais que prevíamos. Por conseguinte, a nossa equipa de projeto continuou a melhorar a plataforma e a aprofundar o domínio comercial do nosso cliente. Isto permitiu-nos conceber funcionalidades que tiveram um impacto significativo no modelo de "aprendizagem de poucos disparos", garantindo resultados de previsão precisos para o projeto de aprendizagem automática bancária.

A nossa equipa seguiu a metodologia Scrum, com sprints de três semanas ao longo do projeto. Realizámos reuniões regulares com a equipa através do Microsoft Teams para monitorizar o progresso do projeto e acomodar quaisquer alterações ao âmbito. A partir de agora, o projeto foi concluído com êxito.