Descrição do projeto
TraduzidoPerdemos dinheiro real para fraudes toda semana e verificações manuais não conseguem mais acompanhar. Chargebacks, registros falsos, cartões roubados e ataques coordenados passam despercebidos, e quando um analista abre um pedido suspeito, o dinheiro já se foi. Precisamos de um sistema anti-fraude baseado em aprendizado de máquina que avalie em tempo real cada transação e cada novo registro, atribua uma pontuação de risco clara e imediatamente sinalize qualquer coisa que pareça fraude ou comportamento anormal para que possamos interromper antes da perda.
A tarefa abrange todo o pipeline: engenharia de recursos a partir de dados históricos (impressões digitais de dispositivos, velocidade de tentativas, discrepâncias de geolocalização, padrões de pagamento, idade da conta), treinamento de modelo em um repositório de fraudes confirmadas e operações legítimas e re-treinamento regular à medida que novos esquemas surgem. Uma caixa-preta não funcionará para nós — a solução deve ser um híbrido de regras determinísticas e ML onde casos óbvios são capturados por regras e o modelo lida com fraudes sutis e em mudança que as regras perdem, e cada decisão é explicável o suficiente para um analista. Também precisamos de um painel de revisão para classificar casos sinalizados por risco, detalhar os sinais por trás de cada pontuação e aprovar, bloquear ou escalar com um clique. Descreva sua experiência com detecção de anomalias e conjuntos de dados desbalanceados, a pilha, latência esperada e como você equilibrará precisão e recall.
— Pontuação em tempo real de transações e registros
— Engenharia de recursos e treinamento de modelo sobre histórico de fraudes
— Motor híbrido: regras + ML
— Painel de revisão com pontuações de risco explicáveis
A tarefa abrange todo o pipeline: engenharia de recursos a partir de dados históricos (impressões digitais de dispositivos, velocidade de tentativas, discrepâncias de geolocalização, padrões de pagamento, idade da conta), treinamento de modelo em um repositório de fraudes confirmadas e operações legítimas e re-treinamento regular à medida que novos esquemas surgem. Uma caixa-preta não funcionará para nós — a solução deve ser um híbrido de regras determinísticas e ML onde casos óbvios são capturados por regras e o modelo lida com fraudes sutis e em mudança que as regras perdem, e cada decisão é explicável o suficiente para um analista. Também precisamos de um painel de revisão para classificar casos sinalizados por risco, detalhar os sinais por trás de cada pontuação e aprovar, bloquear ou escalar com um clique. Descreva sua experiência com detecção de anomalias e conjuntos de dados desbalanceados, a pilha, latência esperada e como você equilibrará precisão e recall.
— Pontuação em tempo real de transações e registros
— Engenharia de recursos e treinamento de modelo sobre histórico de fraudes
— Motor híbrido: regras + ML
— Painel de revisão com pontuações de risco explicáveis
Educação e consultoria Dinheiro, Transferência bancária
