ML-gestütztes Anti-Betrugssystem mit Echtzeit-Transaktionsbewertung

Wir verlieren jede Woche echtes Geld durch Betrug, und manuelle Überprüfungen können nicht mehr mithalten. Rückbuchungen, gefälschte Registrierungen, gestohlene Karten und koordinierte Angriffe passieren, bevor jemand es bemerkt, und wenn ein Analyst eine verdächtige Bestellung öffnet, ist das Geld bereits weg. Wir benötigen ein auf maschinellem Lernen basierendes Anti-Betrugssystem, das in Echtzeit jede Transaktion und jede neue Registrierung bewertet, einen klaren Risikowert zuweist und sofort alles kennzeichnet, was wie Betrug oder abnormales Verhalten aussieht, damit wir es stoppen können, bevor der Verlust eintritt.

Die Aufgabe umfasst die gesamte Pipeline: Feature Engineering aus historischen Daten (Gerätefingerabdrücke, Versuchsgeschwindigkeit, Geolokalisierungsabweichungen, Zahlungsgewohnheiten, Kontenalter), Modelltraining auf einem Repository bestätigter Betrugs- und legitimer Vorgänge und regelmäßiges Retraining, wenn neue Betrugsmuster auftauchen. Eine Black Box wird für uns nicht funktionieren – die Lösung sollte eine Hybridform aus deterministischen Regeln und ML sein, bei der offensichtliche Fälle durch Regeln erfasst werden und das Modell subtile, sich ändernde Betrugsfälle behandelt, die von Regeln übersehen werden, und jede Entscheidung sollte ausreichend erklärbar sein für einen Analysten. Wir benötigen auch ein Überprüfungs-Dashboard, um gekennzeichnete Fälle nach Risiko zu sortieren, die Signale hinter jedem Wert aufzuschlüsseln und mit einem Klick zu genehmigen, zu blockieren oder zu eskalieren. Beschreiben Sie Ihre Erfahrung mit Anomalieerkennung und unausgewogenen Datensätzen, den Stack, die erwartete Latenz und wie Sie Präzision und Rückruf ausbalancieren werden.

— Echtzeitbewertung von Transaktionen und Registrierungen
— Feature Engineering und Modelltraining auf Betrugsdaten
— Hybrides System: Regeln + ML
— Überprüfungs-Dashboard mit erklärbaren Risikowerten