परियोजना का विवरण
अनुवादितहम हर हफ्ते धोखाधड़ी के कारण वास्तविक पैसे खोते हैं और मैनुअल जांच अब और नहीं चल सकती। चार्जबैक, फर्जी पंजीकरण, चोरी के कार्ड और समन्वित हमले किसी को भी नोटिस करने से पहले गुजर जाते हैं, और जब एक विश्लेषक एक संदिग्ध आदेश खोलता है, तो पैसा पहले ही चला गया होता है। हमें एक एंटी-फ्रॉड सिस्टम की आवश्यकता है जो मशीन लर्निंग पर आधारित हो जो रीयल टाइम में प्रत्येक लेनदेन और प्रत्येक नए पंजीकरण का मूल्यांकन करे, एक स्पष्ट जोखिम-स्कोर सौंपे और तुरंत किसी भी चीज़ को झंडा लगाए जो धोखाधड़ी या असामान्य व्यवहार की तरह दिखती है ताकि हम नुकसान से पहले इसे रोक सकें।
यह कार्य पूरे पाइपलाइन को कवर करता है: ऐतिहासिक डेटा (डिवाइस फिंगरप्रिंट, प्रयास की गति, भू-स्थान गलतियाँ, भुगतान पैटर्न, खाता आयु) से फीचर इंजीनियरिंग, पुष्टि की गई धोखाधड़ी और वैध संचालन के भंडार पर मॉडल प्रशिक्षण और नए योजनाओं के उभरने पर नियमित पुनः प्रशिक्षण। हमारे लिए एक ब्लैक बॉक्स काम नहीं करेगा - समाधान को निश्चित नियमों और ML का एक हाइब्रिड होना चाहिए जहां स्पष्ट मामलों को नियमों द्वारा पकड़ा जाता है और मॉडल सूक्ष्म, बदलती धोखाधड़ी को संभालता है जिसे नियम चूक जाते हैं, और प्रत्येक निर्णय इतना स्पष्ट होना चाहिए कि एक विश्लेषक समझ सके। हमें झंडा लगाए गए मामलों को जोखिम के अनुसार क्रमबद्ध करने, प्रत्येक स्कोर के पीछे के संकेतों को तोड़ने और एक क्लिक के साथ अनुमोदित, अवरुद्ध या बढ़ाने के लिए एक समीक्षा डैशबोर्ड की भी आवश्यकता है। विसंगति पहचान और असंतुलित डेटा सेट के साथ अपने अनुभव का वर्णन करें, स्टैक, अपेक्षित विलंबता और आप सटीकता और पुनःकाल को कैसे संतुलित करेंगे।
— लेनदेन और पंजीकरण का रीयल-टाइम स्कोरिंग
— धोखाधड़ी के इतिहास पर फीचर इंजीनियरिंग और मॉडल प्रशिक्षण
— हाइब्रिड इंजन: नियम + ML
— व्याख्यायित जोखिम-स्कोर के साथ समीक्षा डैशबोर्ड
यह कार्य पूरे पाइपलाइन को कवर करता है: ऐतिहासिक डेटा (डिवाइस फिंगरप्रिंट, प्रयास की गति, भू-स्थान गलतियाँ, भुगतान पैटर्न, खाता आयु) से फीचर इंजीनियरिंग, पुष्टि की गई धोखाधड़ी और वैध संचालन के भंडार पर मॉडल प्रशिक्षण और नए योजनाओं के उभरने पर नियमित पुनः प्रशिक्षण। हमारे लिए एक ब्लैक बॉक्स काम नहीं करेगा - समाधान को निश्चित नियमों और ML का एक हाइब्रिड होना चाहिए जहां स्पष्ट मामलों को नियमों द्वारा पकड़ा जाता है और मॉडल सूक्ष्म, बदलती धोखाधड़ी को संभालता है जिसे नियम चूक जाते हैं, और प्रत्येक निर्णय इतना स्पष्ट होना चाहिए कि एक विश्लेषक समझ सके। हमें झंडा लगाए गए मामलों को जोखिम के अनुसार क्रमबद्ध करने, प्रत्येक स्कोर के पीछे के संकेतों को तोड़ने और एक क्लिक के साथ अनुमोदित, अवरुद्ध या बढ़ाने के लिए एक समीक्षा डैशबोर्ड की भी आवश्यकता है। विसंगति पहचान और असंतुलित डेटा सेट के साथ अपने अनुभव का वर्णन करें, स्टैक, अपेक्षित विलंबता और आप सटीकता और पुनःकाल को कैसे संतुलित करेंगे।
— लेनदेन और पंजीकरण का रीयल-टाइम स्कोरिंग
— धोखाधड़ी के इतिहास पर फीचर इंजीनियरिंग और मॉडल प्रशिक्षण
— हाइब्रिड इंजन: नियम + ML
— व्याख्यायित जोखिम-स्कोर के साथ समीक्षा डैशबोर्ड
शिक्षा और परामर्श नकद, बैंक ट्रांसफर
