Möt oss på E-commerce Berlin Expo den 22 februari 2024.

Lämna dina kontaktuppgifter så skickar vi vårt whitepaper till dig via e-post
Jag samtycker till att mina personuppgifter behandlas för att skicka personligt marknadsföringsmaterial i enlighet med Integritetspolicy. Genom att bekräfta inlämningen samtycker du till att få marknadsföringsmaterial
Tack!

Formuläret har skickats in framgångsrikt.
Ytterligare information finns i din brevlåda.

Innowise är ett internationellt företag som utvecklar mjukvara för hela cykeln. som grundades 2007. Vi är ett team på över 1600+ IT-proffs som utvecklar mjukvara för andra företag. yrkesverksamma över hela världen.
Om oss
Innowise är ett internationellt företag som utvecklar mjukvara för hela cykeln. som grundades 2007. Vi är ett team på över 1400 IT-proffs som utvecklar mjukvara för andra företag. yrkesverksamma över hela världen.

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

Innowise har utvecklat ett ML-drivet system som övervakar digitala transaktioner och upptäcker misstänkt eller bedrägligt beteende.

Kund

Industri
Bankverksamhet, finans
Region
USA
Kund sedan
2021

Vår kund är en stor affärsbank med ett nätverk av filialer över hela landet, som erbjuder inlåning, lån och andra tjänster.

Detaljerad information om kunden kan inte lämnas ut enligt bestämmelserna i NDA.

Utmaning: Ökad risk för finansiella bedrägerier och kontoövertaganden som en viktig amerikansk bank drabbats av

Varje bank eller finansinstitut har som främsta fokus att se till att dess kontohavare är nöjda och trygga. Som en del av sin dagliga verksamhet hanterar dessa institutioner kundkonton, övervakar investeringar, upprätthåller tillräcklig likviditet och utför andra funktioner.

Tyvärr står banksektorn för närvarande inför ett betydande hot från misstänkta och skadliga aktiviteter som inte bara äventyrar kunderna utan också branschen som helhet. Fram till nyligen har bankerna mestadels använt manuella regelbaserade system, men i takt med att bedragarna blir allt mer sofistikerade blir dessa system snabbt ineffektiva.

En av de viktigaste amerikanska bankerna kontaktade Innowise för att få en effektiv maskininlärning i banklösning för att upptäcka och bekämpa finansiella bedrägerier. När kunden expanderade och antalet transaktioner ökade utsattes banken regelbundet för illvilliga aktiviteter som hotade dess säkerhet och rykte. Vår kund hade visserligen ett system mot penningtvätt som förhindrade att kriminella vinster kamouflerades och införlivades i det finansiella systemet. Men systemet var inte tillräckligt exakt, visade ett stort antal falska positiva resultat och lämnade utrymme för kontoövertaganden och betalningsbedrägerier.

Lösning: ML-baserad lösning för att upptäcka avvikelser i transaktioner och förhindra bedrägliga aktiviteter

Innowise rekommenderade att integrera ett ML-drivet tillägg i bankekosystemet för att analysera stora datavolymer och skydda medel från skadliga aktiviteter. Kontoinnehavarnas transaktioner analyseras och varningar skickas om något okarakteristiskt, misstänkt eller bedrägligt beteende upptäcks. Med hjälp av djupinlärning i fintech-algoritmer analyserade vårt projektteam stora mängder data för att upptäcka avvikelser som kunde tyda på bedrägeri.
Upptäckt av bedrägerier inom banksektorn

Aggregering av data

Som ett första steg samlade Innowise in och konsoliderade alla bankrelaterade uppgifter, inklusive användarnas identiteter, platser, betalningsmetoder, transaktionshistorik och andra relevanta faktorer.

Utarbetande av onormala mönster

Vi kunde urskilja tydliga mönster, t.ex. ovanligt höga transaktionsbelopp eller uppdelning av transaktioner för att undvika automatisk skatterapportering. Dessa mönster gör det möjligt för ML-algoritmer att skilja bedrägliga aktiviteter från vanlig bankverksamhet och utlösa lämpliga åtgärder när ett riskabelt mönster dyker upp. Baserat på detta kategoriseras transaktioner som antingen "bra" (legitima) eller "dåliga" (bedrägliga). 

Sammantaget fick Innowise tillgång till ett stort dataset (t.ex. tiotals miljoner prover baserade på neurala nätverk, transaktionsdata och historiska data), som är mycket effektivt för att identifiera mönster och upptäcka onormalt beteende som avviker från normen. Vi valde ut de mest kritiska funktionerna genom att jämföra förväntningar med faktiska data och rekursiva tekniker för eliminering av funktioner. Vårt team identifierade också saknade dataetiketter och tillhandahöll tekniker för bättre bedrägeridetektering.

Utbildning av modeller

Eftersom regelbaserade mönster belyser tydliga bedrägerifall har våra ML-specialister utvecklat algoritmer som upptäcker ovanliga eller okända omständigheter där konventionella algoritmer misslyckas. Som ett resultat kan tillägget göra förutsägelser även utan tillräckliga data och förlita sig på maskininlärningstekniker. Vår lösning använder alltså inbäddade representationer istället för klassiska aggregerade funktioner för att bearbeta transaktioner.

Fullfjädrad ML-modell

När ett hot identifieras överför systemet dessa data i realtid till administratören, som kan frysa eller avbryta verksamheten tills vidare. Beroende på sannolikheten för bedrägeri finns det tre möjliga utfall:

  • Om sannolikheten för bedrägeri är lägre än 5% godkänns transaktionen;
  • Om sannolikheten för bedrägeri ligger mellan 6% och 70% krävs en extra kontroll, t.ex. en engångskod via SMS, fingeravtryck eller en hemlig fråga;
  • Om sannolikheten för bedrägeri överstiger 80% avvisas transaktionen, vilket kräver manuell bearbetning och analys.

Dessutom har vi tagit fram omfattande verktyg för att förklara ML-modeller, som hjälper till att förstå prediktionsresultaten och ger en smidig användarupplevelse.

Teknik

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

Process

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.

Team

1
Projektledare
1
Affärsanalytiker
2
Front-end-utvecklare
2
Back-end utvecklare
3
ML Ingenjörer
2
Dataingenjörer
1
UI/UX-designer
1
QA-ingenjör

Resultat: x2,4 snabbare bearbetningshastighet med färre falska positiva resultat och minskad risk för bedrägerier som inte upptäcks

Innowise har utvecklat ett avancerat ML-drivet tillägg för att upptäcka misstänkta eller bedrägliga aktiviteter och vidta proaktiva åtgärder baserat på detta. Vi säkerställde oklanderlig säkerhet och eliminerade risken för intrång och ekonomisk brottslighet. Sammantaget medförde maskininlärning inom bank och finans följande fördelar:

  • högre hastighet

Algoritmer för maskininlärning analyserar snabbt stora mängder data. I takt med att banktransaktionerna ökar i tempo och volym granskar vår maskininlärningsplattform kontinuerligt ny information.

  • förbättrad effektivitet

Algoritmer för maskininlärning kan utföra repetitiva operationer och omedelbart upptäcka subtila förändringar i mönster. Vår ML-lösning granskar hundratusentals betalningar per sekund och effektiviserar hela transaktionsprocessen.

  • noggrannhet

I det här projektet använde vi maskininlärningsalgoritmer som kan tränas för att identifiera mönster i till synes triviala data. De känner igen subtila eller icke-intuitiva mönster som skulle vara utmanande, om inte omöjliga, för människor att urskilja. Detta förbättrar precisionen i upptäckten av bedrägerier, vilket leder till färre falska positiva resultat och en minskad risk för oupptäckta bedrägerier.

Projektets löptid
  • Juni 2021 - december 2022

99.3% 

noggrannhet för att minska bedrägerier

x2.4
snabbare bearbetningshastighet

Kontakta oss!

Boka ett samtal eller fyll i formuläret nedan så återkommer vi till dig när vi har behandlat din förfrågan.

    Vänligen inkludera projektinformation, varaktighet, teknologistack, IT-proffs som behövs och annan relevant information
    Spela in ett röstmeddelande om ditt projekt för att hjälpa oss att förstå det bättre
     
    Bifoga ytterligare dokument vid behov
    Ladda upp filen

    Du kan bifoga upp till 1 fil på totalt 2 MB. Giltiga filer: pdf, jpg, jpeg, png

    Observera att när du klickar på knappen Skicka kommer Innowise att behandla dina personuppgifter i enlighet med vår Integritetspolicy för att ge dig lämplig information.

    Vad händer härnäst?

    1

    Efter att ha mottagit och behandlat din begäran kommer vi att återkomma till dig inom kort för att specificera dina projektbehov och underteckna en NDA för att säkerställa konfidentialitet av information.

    2

    Efter att ha undersökt kraven utarbetar våra analytiker och utvecklare en projektförslag med arbetets omfattning, lagets storlek, tid och kostnad uppskattningar.

    3

    Vi ordnar ett möte med dig för att diskutera erbjudandet och komma överens.

    4

    Vi skriver på ett kontrakt och börjar arbeta med ditt projekt så snabbt som möjligt.

    Tack!

    Ditt meddelande har skickats.
    Vi behandlar din begäran och kontaktar dig så snart som möjligt.

    Den här webbplatsen använder cookies

    Vi använder cookies för att förbättra din webbupplevelse, visa anpassade annonser eller innehåll och analysera trafiken på webbplatsen. Genom att klicka på "Acceptera allt" samtycker du till vår användning av cookies. Kolla in vår Integritetspolicy.

    Tack!

    Ditt meddelande har skickats.
    Vi behandlar din begäran och kontaktar dig så snart som möjligt.

    pil