Описание проекта
Мы каждую неделю теряем реальные деньги на мошенничестве, и ручные проверки уже не справляются. Чарджбэки, фейковые регистрации, краденые карты и скоординированные атаки проходят раньше, чем кто-то успевает заметить, а когда аналитик открывает подозрительный заказ, деньги уже ушли. Нам нужна система антифрода на машинном обучении, которая в реальном времени оценивает каждую транзакцию и каждую новую регистрацию, присваивает понятный risk-score и сразу помечает всё, что похоже на фрод или аномальное поведение, чтобы мы могли остановить это до убытка.
Задача охватывает весь пайплайн: feature engineering по историческим данным (отпечатки устройств, скорость попыток, несовпадения геолокации, платёжные паттерны, возраст аккаунта), обучение модели на архиве подтверждённого мошенничества и легитимных операций и регулярное переобучение по мере появления новых схем. Чёрный ящик нам не подходит — решение должно быть гибридом детерминированных правил и ML, где очевидные случаи ловят правила, а модель берёт тонкий, меняющийся фрод, который правила пропускают, и каждое решение достаточно объяснимо для аналитика. Ещё нужен дашборд ревью, чтобы сортировать помеченные случаи по риску, разбирать сигналы за каждым скором и в один клик одобрять, блокировать или эскалировать. Опишите ваш опыт с обнаружением аномалий и несбалансированными выборками, стек, ожидаемую задержку и то, как будете держать баланс precision и recall.
— Скоринг транзакций и регистраций в реальном времени
— Feature engineering и обучение модели на истории фрода
— Гибридный движок: правила + ML
— Дашборд ревью с объяснимыми risk-score
Задача охватывает весь пайплайн: feature engineering по историческим данным (отпечатки устройств, скорость попыток, несовпадения геолокации, платёжные паттерны, возраст аккаунта), обучение модели на архиве подтверждённого мошенничества и легитимных операций и регулярное переобучение по мере появления новых схем. Чёрный ящик нам не подходит — решение должно быть гибридом детерминированных правил и ML, где очевидные случаи ловят правила, а модель берёт тонкий, меняющийся фрод, который правила пропускают, и каждое решение достаточно объяснимо для аналитика. Ещё нужен дашборд ревью, чтобы сортировать помеченные случаи по риску, разбирать сигналы за каждым скором и в один клик одобрять, блокировать или эскалировать. Опишите ваш опыт с обнаружением аномалий и несбалансированными выборками, стек, ожидаемую задержку и то, как будете держать баланс precision и recall.
— Скоринг транзакций и регистраций в реальном времени
— Feature engineering и обучение модели на истории фрода
— Гибридный движок: правила + ML
— Дашборд ревью с объяснимыми risk-score
Обучение и Консультации Наличные, Банковский перевод
