Sistema anti-fraude basado en ML con puntuación de transacciones en tiempo real

Perdemos dinero real por fraude cada semana y las verificaciones manuales ya no pueden mantenerse al día. Los contracargos, registros falsos, tarjetas robadas y ataques coordinados pasan desapercibidos hasta que alguien lo nota, y cuando un analista abre un pedido sospechoso, el dinero ya se ha ido. Necesitamos un sistema anti-fraude basado en aprendizaje automático que evalúe en tiempo real cada transacción y cada nuevo registro, asigne una puntuación de riesgo clara y marque inmediatamente cualquier cosa que parezca fraude o comportamiento anormal para que podamos detenerlo antes de la pérdida.

La tarea cubre toda la cadena: ingeniería de características a partir de datos históricos (huellas digitales de dispositivos, velocidad de intentos, desajustes de geolocalización, patrones de pago, antigüedad de la cuenta), entrenamiento de modelos en un repositorio de fraudes confirmados y operaciones legítimas y reentrenamiento regular a medida que surgen nuevos esquemas. Una caja negra no funcionará para nosotros: la solución debe ser un híbrido de reglas deterministas y ML donde los casos obvios son capturados por reglas y el modelo maneja fraudes sutiles y cambiantes que las reglas no detectan, y cada decisión es lo suficientemente explicable para un analista. También necesitamos un panel de revisión para clasificar los casos marcados por riesgo, desglosar las señales detrás de cada puntuación y aprobar, bloquear o escalar con un clic. Describe tu experiencia con detección de anomalías y conjuntos de datos desbalanceados, la pila, la latencia esperada y cómo equilibrarás precisión y recuperación.

— Puntuación en tiempo real de transacciones y registros
— Ingeniería de características y entrenamiento de modelos sobre el historial de fraudes
— Motor híbrido: reglas + ML
— Panel de revisión con puntuaciones de riesgo explicables