Sistema anti-frode ML con scoring delle transazioni in tempo reale

Perdiamo denaro reale a causa delle frodi ogni settimana e i controlli manuali non riescono più a tenere il passo. Chargeback, registrazioni false, carte rubate e attacchi coordinati passano inosservati, e quando un analista apre un ordine sospetto, il denaro è già andato. Abbiamo bisogno di un sistema anti-frode basato su machine learning che valuti in tempo reale ogni transazione e ogni nuova registrazione, assegni un punteggio di rischio chiaro e segnali immediatamente qualsiasi cosa che sembri frode o comportamento anomalo, in modo da poterlo fermare prima della perdita.

Il compito copre l'intero pipeline: ingegneria delle caratteristiche dai dati storici (impronte dei dispositivi, velocità dei tentativi, discrepanze di geolocalizzazione, modelli di pagamento, età dell'account), addestramento del modello su un repository di frodi confermate e operazioni legittime e riaddestramento regolare man mano che emergono nuovi schemi. Una black box non funzionerà per noi: la soluzione dovrebbe essere un ibrido di regole deterministiche e ML dove i casi ovvi vengono catturati dalle regole e il modello gestisce frodi sottili e in cambiamento che le regole non colgono, e ogni decisione è sufficientemente spiegabile per un analista. Abbiamo anche bisogno di una dashboard di revisione per ordinare i casi segnalati per rischio, analizzare i segnali dietro ogni punteggio e approvare, bloccare o escalare con un clic. Descrivi la tua esperienza con il rilevamento delle anomalie e i dataset sbilanciati, lo stack, la latenza prevista e come bilancerai precisione e richiamo.

— Scoring in tempo reale delle transazioni e registrazioni
— Ingegneria delle caratteristiche e addestramento del modello sulla storia delle frodi
— Motore ibrido: regole + ML
— Dashboard di revisione con punteggi di rischio spiegabili