Description du projet
TraduitNous perdons de l'argent réel à cause de la fraude chaque semaine et les vérifications manuelles ne peuvent plus suivre. Les rétrofacturations, les fausses inscriptions, les cartes volées et les attaques coordonnées passent inaperçues, et quand un analyste ouvre une commande suspecte, l'argent est déjà parti. Nous avons besoin d'un système anti-fraude basé sur l'apprentissage automatique qui évalue en temps réel chaque transaction et chaque nouvelle inscription, attribue un score de risque clair et signale immédiatement tout ce qui ressemble à de la fraude ou à un comportement anormal afin que nous puissions l'arrêter avant la perte.
La tâche couvre l'ensemble du pipeline : ingénierie des fonctionnalités à partir de données historiques (empreintes de dispositifs, vitesse des tentatives, incohérences de géolocalisation, modèles de paiement, ancienneté du compte), entraînement de modèles sur un référentiel de fraudes confirmées et d'opérations légitimes et réentraînement régulier à mesure que de nouveaux schémas émergent. Une boîte noire ne fonctionnera pas pour nous — la solution devrait être un hybride de règles déterministes et de ML où les cas évidents sont capturés par des règles et le modèle gère la fraude subtile et changeante que les règles manquent, et chaque décision est suffisamment explicable pour un analyste. Nous avons également besoin d'un tableau de bord de révision pour trier les cas signalés par risque, décomposer les signaux derrière chaque score et approuver, bloquer ou escalader d'un clic. Décrivez votre expérience avec la détection d'anomalies et les ensembles de données déséquilibrés, la pile, la latence attendue et comment vous équilibrerez la précision et le rappel.
— Scoring en temps réel des transactions et des enregistrements
— Ingénierie des fonctionnalités et entraînement de modèles sur l'historique de fraude
— Moteur hybride : règles + ML
— Tableau de bord de révision avec des scores de risque explicables
La tâche couvre l'ensemble du pipeline : ingénierie des fonctionnalités à partir de données historiques (empreintes de dispositifs, vitesse des tentatives, incohérences de géolocalisation, modèles de paiement, ancienneté du compte), entraînement de modèles sur un référentiel de fraudes confirmées et d'opérations légitimes et réentraînement régulier à mesure que de nouveaux schémas émergent. Une boîte noire ne fonctionnera pas pour nous — la solution devrait être un hybride de règles déterministes et de ML où les cas évidents sont capturés par des règles et le modèle gère la fraude subtile et changeante que les règles manquent, et chaque décision est suffisamment explicable pour un analyste. Nous avons également besoin d'un tableau de bord de révision pour trier les cas signalés par risque, décomposer les signaux derrière chaque score et approuver, bloquer ou escalader d'un clic. Décrivez votre expérience avec la détection d'anomalies et les ensembles de données déséquilibrés, la pile, la latence attendue et comment vous équilibrerez la précision et le rappel.
— Scoring en temps réel des transactions et des enregistrements
— Ingénierie des fonctionnalités et entraînement de modèles sur l'historique de fraude
— Moteur hybride : règles + ML
— Tableau de bord de révision avec des scores de risque explicables
Éducation et conseil Espèces, Virement bancaire
