Maskininlärning inom banksektorn: femfaldig minskning av bedrägeririsken genom upptäckt av anomalier i transaktioner

Inledningsvis tog vårt projektteam fram affärsmässiga och tekniska krav för att uppfylla kundernas förväntningar. Under hela projektet har vårt affärsanalytiker upprätthålla nära kontakt med kundens bankkonsulter för att få en djupare förståelse för kundens verksamhet och dra full nytta av maskininlärning inom finansiella tjänster.

När det gäller ML-lösningen var den största utmaningen att uppnå optimala mätvärden för användare med olika transaktionshistorik. Vår modell var effektiv för kontoinnehavare med omfattande transaktionshistorik men ineffektiv för nya användare med brist på historiska data. Sådana användare behandlades som inaktiva konton som endast innehöll identitetsinformation och ingen transaktionshistorik. Även om detta antagande eliminerar fördelen med att ha fullständiga användardata, ger det ändå rimligt stabila träningsresultat för ML-modellen.

Efter att ha diskuterat problemet undersökte vi metoder för "few-shot learning" som skulle kunna förbättra våra mätvärden. Vi genomförde ett proof of concept, men det resulterade inte i de betydande förbättringar vi förväntade oss. Därför fortsatte vårt projektteam att förbättra plattformen och fördjupa sig i vår kunds affärsområde. Detta gjorde det möjligt för oss att utforma funktioner som väsentligt påverkade modellen "few-shot learning", vilket säkerställde korrekta förutsägelseresultat för bankmaskininlärningsprojektet.

Vårt team följde Scrum-metoden, med treveckorssprintar under hela projektet. Vi höll regelbundna möten med teamet via Microsoft Teams för att övervaka projektets framsteg och ta hänsyn till eventuella ändringar av omfattningen. Från och med nu har projektet slutförts framgångsrikt.