Opis projektu
PrzetłumaczoneCo tydzień tracimy prawdziwe pieniądze na oszustwa, a ręczne kontrole nie nadążają. Chargebacki, fałszywe rejestracje, skradzione karty i skoordynowane ataki przechodzą, zanim ktokolwiek to zauważy, a gdy analityk otworzy podejrzane zamówienie, pieniądze już zniknęły. Potrzebujemy systemu antyfraudowego opartego na uczeniu maszynowym, który w czasie rzeczywistym ocenia każdą transakcję i każdą nową rejestrację, przypisuje wyraźny wskaźnik ryzyka i natychmiast oznacza wszystko, co wygląda na oszustwo lub nienormalne zachowanie, abyśmy mogli to zatrzymać przed stratą.
Zadanie obejmuje cały proces: inżynieria cech z danych historycznych (odciski urządzeń, prędkość prób, niezgodności geolokalizacyjne, wzorce płatności, wiek konta), trening modelu na repozytorium potwierdzonych oszustw i legalnych operacji oraz regularne ponowne trenowanie w miarę pojawiania się nowych schematów. Czarna skrzynka nie zadziała dla nas — rozwiązanie powinno być hybrydą reguł deterministycznych i ML, gdzie oczywiste przypadki są wychwytywane przez reguły, a model radzi sobie z subtelnymi, zmieniającymi się oszustwami, które umykają regułom, a każda decyzja jest wystarczająco wyjaśnialna dla analityka. Potrzebujemy również pulpitu przeglądowego do sortowania oznaczonych przypadków według ryzyka, rozkładania sygnałów za każdą oceną oraz zatwierdzania, blokowania lub eskalacji jednym kliknięciem. Opisz swoje doświadczenie w wykrywaniu anomalii i niezrównoważonych zbiorach danych, stos, oczekiwaną latencję i jak zrównoważysz precyzję i czułość.
— Ocena transakcji i rejestracji w czasie rzeczywistym
— Inżynieria cech i trening modelu na historii oszustw
— Hybrydowy silnik: reguły + ML
— Pulpit przeglądowy z wyjaśnialnymi wskaźnikami ryzyka
Zadanie obejmuje cały proces: inżynieria cech z danych historycznych (odciski urządzeń, prędkość prób, niezgodności geolokalizacyjne, wzorce płatności, wiek konta), trening modelu na repozytorium potwierdzonych oszustw i legalnych operacji oraz regularne ponowne trenowanie w miarę pojawiania się nowych schematów. Czarna skrzynka nie zadziała dla nas — rozwiązanie powinno być hybrydą reguł deterministycznych i ML, gdzie oczywiste przypadki są wychwytywane przez reguły, a model radzi sobie z subtelnymi, zmieniającymi się oszustwami, które umykają regułom, a każda decyzja jest wystarczająco wyjaśnialna dla analityka. Potrzebujemy również pulpitu przeglądowego do sortowania oznaczonych przypadków według ryzyka, rozkładania sygnałów za każdą oceną oraz zatwierdzania, blokowania lub eskalacji jednym kliknięciem. Opisz swoje doświadczenie w wykrywaniu anomalii i niezrównoważonych zbiorach danych, stos, oczekiwaną latencję i jak zrównoważysz precyzję i czułość.
— Ocena transakcji i rejestracji w czasie rzeczywistym
— Inżynieria cech i trening modelu na historii oszustw
— Hybrydowy silnik: reguły + ML
— Pulpit przeglądowy z wyjaśnialnymi wskaźnikami ryzyka
Edukacja i doradztwo Gotówka, Przelew bankowy
