Encontre-nos na E-commerce Berlin Expo, em 22 de fevereiro de 2024.

Por favor, deixe os seus contactos, enviar-lhe-emos o nosso whitepaper por e-mail
Autorizo o tratamento dos meus dados pessoais para o envio de materiais de marketing personalizados em conformidade com a Política de privacidade. Ao confirmar a submissão, o utilizador aceita receber materiais de marketing
Obrigado!

O formulário foi enviado com sucesso.
Encontrará mais informações na sua caixa de correio.

O Grupo Innowise é uma empresa internacional de desenvolvimento de software de ciclo completo fundada em 2007. Somos uma equipa de mais de 1600+ profissionais de TI que desenvolvem software para outros profissionais em todo o mundo.
Sobre nós
O Grupo Innowise é uma empresa internacional de desenvolvimento de software de ciclo completo fundada em 2007. Somos uma equipa de mais de 1400 profissionais de TI que desenvolvem software para outros profissionais em todo o mundo.

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

O Innowise desenvolveu um sistema baseado em ML que monitoriza as transacções digitais e detecta comportamentos suspeitos ou fraudulentos.

Cliente

Indústria
Banca, Finanças
Região
EUA
Cliente desde
2021

O nosso cliente é um grande banco comercial com uma rede de agências em todo o país, que oferece depósitos, empréstimos e outros serviços.

As informações pormenorizadas sobre o cliente não podem ser divulgadas ao abrigo das disposições do NDA.

Desafio: Aumento do risco de fraude financeira e de aquisição de contas com que se deparou um importante banco americano

O principal objetivo de qualquer banco ou instituição financeira é a satisfação e a segurança dos seus titulares de contas. No âmbito das suas actividades diárias, estas instituições gerem as contas dos clientes, supervisionam os investimentos, mantêm uma liquidez adequada e desempenham outras funções.

Infelizmente, o sector bancário enfrenta atualmente uma ameaça significativa de actividades suspeitas e maliciosas que põem em perigo não só os clientes, mas também o sector no seu todo. Até há pouco tempo, os bancos utilizavam sobretudo sistemas manuais baseados em regras, mas com os autores de fraudes a tornarem-se mais sofisticados, estes sistemas estão a tornar-se rapidamente ineficientes.

Um dos principais bancos americanos contactou o Innowise, procurando um aprendizagem automática A solução de deteção e combate à fraude financeira. À medida que o cliente se expandia e o número de transacções aumentava, o banco enfrentava periodicamente actividades maliciosas que punham em risco a sua segurança e reputação. É certo que o nosso cliente dispunha de um sistema de combate ao branqueamento de capitais que impedia que os lucros criminosos fossem camuflados e incorporados no sistema financeiro. No entanto, faltava-lhe exatidão, apresentando um elevado número de falsos positivos e deixando espaço para a aquisição de contas e fraude nos pagamentos.

Solução: Solução baseada em ML para detetar anomalias nas transacções e evitar actividades fraudulentas

O Innowise recomendou a integração de uma extensão com tecnologia ML no ecossistema bancário para analisar grandes volumes de dados e proteger os fundos de actividades maliciosas. As transacções dos titulares de contas são analisadas e alertadas se for detectado qualquer comportamento incaraterístico, suspeito ou fraudulento. Utilizando a aprendizagem profunda em algoritmos fintech, a nossa equipa de projeto analisou grandes quantidades de dados para detetar anomalias que pudessem indicar fraude.
Deteção de fraudes no sector bancário

Agregação de dados

Como primeiro passo, o Innowise reuniu e consolidou todos os dados relacionados com a banca, incluindo as identidades dos utilizadores, localizações, métodos de pagamento, históricos de transacções e outros factores relevantes.

Elaboração de padrões anómalos

Obtivemos padrões distintivos, como montantes de transação invulgarmente elevados ou a divisão de transacções para evitar a declaração automática de impostos. Estes padrões permitem aos algoritmos de aprendizagem automática distinguir actividades fraudulentas de operações bancárias regulares e desencadear acções adequadas quando surge um padrão de risco. Com base nisso, as transacções são classificadas como "boas" (legítimas) ou "más" (fraudulentas). 

Globalmente, o Innowise acedeu a um vasto conjunto de dados (por exemplo, dezenas de milhões de amostras baseadas em redes neurais, dados transaccionais e históricos), altamente eficaz na identificação de padrões e na deteção de comportamentos anómalos que se desviam da norma. Seleccionámos as características mais críticas, comparando as expectativas com os dados reais e as técnicas de eliminação recursiva de características. Além disso, a nossa equipa identificou etiquetas de dados em falta, fornecendo técnicas para uma melhor deteção de fraudes.

Formação de modelos

Uma vez que os padrões baseados em regras destacam casos explícitos de fraude, os nossos especialistas em ML desenvolveram algoritmos que detectam circunstâncias invulgares ou desconhecidas em que os algoritmos convencionais falham. Como resultado, a extensão pode fazer previsões mesmo sem dados suficientes, baseando-se em técnicas de formação de aprendizagem automática. Assim, a nossa solução utiliza representações incorporadas em vez de características agregadas clássicas para processar transacções.

Modelo ML completo

Quando uma ameaça é identificada, o sistema transmite esses dados em tempo real ao administrador, que pode congelar ou cancelar as operações até uma investigação mais aprofundada. Dependendo da probabilidade de fraude, existem três resultados possíveis:

  • Se a probabilidade de fraude for inferior a 5%, a transação é aprovada;
  • Se a probabilidade de fraude se situar entre 6% e 70%, é necessário um controlo suplementar, como um código SMS de uso único, uma impressão digital ou uma pergunta secreta;
  • Se a probabilidade de fraude for superior a 80%, a transação é rejeitada, exigindo processamento e análise manuais.

Além disso, assegurámos ferramentas abrangentes de explicabilidade do modelo de ML, ajudando a compreender os resultados da previsão e proporcionando uma experiência de utilizador sem problemas.

Tecnologias

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

Processo

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.

Equipa

1
Gestor de projectos
1
Analista de negócios
2
Programadores front-end
2
Programadores back-end
3
Engenheiros ML
2
Engenheiros de dados
1
Designer UI/UX
1
Engenheiro de QA

Resultados: velocidade de processamento x2,4 mais rápida com menos falsos positivos e um risco reduzido de fraude não detectada

O Innowise desenvolveu uma extensão avançada com tecnologia ML para detetar atividades suspeitas ou fraudulentas e tomar medidas proativas com base nisso. Garantimos uma segurança impecável e eliminámos o risco de violações e crimes financeiros. Em geral, a implementação do aprendizado de máquina no setor bancário e financeiro trouxe os seguintes benefícios:

  • velocidade mais elevada

Os algoritmos de aprendizagem automática analisam rapidamente grandes quantidades de dados. Com o ritmo e o volume das transacções bancárias a aumentar, a nossa plataforma de aprendizagem automática analisa continuamente novas informações.

  • maior eficiência

Os algoritmos de aprendizagem automática podem executar operações repetitivas e detetar instantaneamente alterações subtis nos padrões. A nossa solução de aprendizagem automática examina centenas de milhares de pagamentos por segundo, simplificando todo o processo de transação.

  • exatidão

Neste projeto, utilizámos algoritmos de aprendizagem automática que podem ser treinados para identificar padrões em dados aparentemente triviais. Reconhecem padrões subtis ou não intuitivos que seriam difíceis, se não impossíveis, de discernir por humanos. Isto aumenta a precisão da deteção de fraudes, resultando em menos falsos positivos e num risco reduzido de fraude não detectada.

Duração do projecto
  • junho de 2021 - dezembro de 2022

99.3% 

precisão na redução da fraude

x2.4
maior velocidade de processamento

Contactar-nos!

Marcar uma chamada ou preencha o formulário abaixo e entraremos em contacto consigo assim que tivermos processado o seu pedido.

    Inclua os detalhes do projeto, a duração, o conjunto de tecnologias, os profissionais de TI necessários e outras informações relevantes
    Gravar uma mensagem de voz sobre o seu
    projeto para nos ajudar a compreendê-lo melhor
    Anexar documentos adicionais, se necessário
    Enviar ficheiro

    Pode anexar até 1 ficheiro de 2MB no total. Ficheiros válidos: pdf, jpg, jpeg, png

    Informamos que, ao clicar no botão Enviar, o Innowise's processará os seus dados pessoais de acordo com a nossa Política de Privacidade com o objectivo de lhe fornecer informações adequadas.

    O que é que acontece a seguir?

    1

    Após termos recebido e processado o seu pedido, entraremos em contacto consigo para detalhar as necessidades do seu projecto e assinar um NDA para garantir a confidencialidade das informações.

    2

    Após a análise dos requisitos, os nossos analistas e programadores elaboram uma proposta de projecto com o âmbito dos trabalhos, tamanho da equipa, tempo e custos e custos.

    3

    Marcamos uma reunião consigo para discutir a oferta e chegar a um acordo.

    4

    Assinamos um contrato e começamos a trabalhar no seu projecto o mais rapidamente possível.

    Obrigado!

    A sua mensagem foi enviada.
    Processaremos o seu pedido e contactá-lo-emos o mais rapidamente possível.

    Este sítio Web utiliza cookies

    Utilizamos cookies para melhorar a sua experiência de navegação, apresentar anúncios ou conteúdos personalizados e analisar o tráfego do site. Ao clicar em "Aceitar tudo", está a consentir a nossa utilização de cookies. Verificar o nosso Política de privacidade.

    Obrigado!

    A sua mensagem foi enviada.
    Processaremos o seu pedido e contactá-lo-emos o mais rapidamente possível.

    seta