Опис проєкту
ПерекладМи кожного тижня втрачаємо реальні гроші на шахрайстві, і ручні перевірки вже не справляються. Чарджбеки, фейкові реєстрації, вкрадені карти та скоординовані атаки проходять раніше, ніж хтось встигне помітити, а коли аналітик відкриває підозрілий замовлення, гроші вже пішли. Нам потрібна система захисту від шахрайства на машинному навчанні, яка в реальному часі оцінює кожну транзакцію та кожну нову реєстрацію, присвоює зрозумілий risk-score та одразу позначає все, що схоже на шахрайство або аномальну поведінку, щоб ми могли зупинити це до збитків.
Завдання охоплює весь пайплайн: feature engineering за історичними даними (відбитки пристроїв, швидкість спроб, невідповідності геолокації, платіжні паттерни, вік аккаунта), навчання моделі на архіві підтвердженого шахрайства та легітимних операцій та регулярне переназначення по мірі появи нових схем. Чорний ящик нам не підходить — рішення повинно бути гібридом детермінованих правил та ML, де очевидні випадки ловлять правила, а модель бере тонкий, що змінюється шахрайство, який правила пропускають, і кожне рішення достатньо пояснювано для аналітика. Ще потрібен дашборд ревю, щоб сортувати позначені випадки за ризиком, розбирати сигнали за кожним скором та в один клік одобрювати, блокувати або есклейвати. Опишіть ваш досвід з виявленням аномалій та незбалансованими вибірками, стек, очікувану затримку та те, як будете утримувати баланс precision та recall.
— Скоринг транзакцій та реєстрацій у реальному часі
— Feature engineering та навчання моделі на історії шахрайства
— Гібридний рушій: правила + ML
— Дашборд ревю з пояснюючимися risk-score
Завдання охоплює весь пайплайн: feature engineering за історичними даними (відбитки пристроїв, швидкість спроб, невідповідності геолокації, платіжні паттерни, вік аккаунта), навчання моделі на архіві підтвердженого шахрайства та легітимних операцій та регулярне переназначення по мірі появи нових схем. Чорний ящик нам не підходить — рішення повинно бути гібридом детермінованих правил та ML, де очевидні випадки ловлять правила, а модель бере тонкий, що змінюється шахрайство, який правила пропускають, і кожне рішення достатньо пояснювано для аналітика. Ще потрібен дашборд ревю, щоб сортувати позначені випадки за ризиком, розбирати сигнали за кожним скором та в один клік одобрювати, блокувати або есклейвати. Опишіть ваш досвід з виявленням аномалій та незбалансованими вибірками, стек, очікувану затримку та те, як будете утримувати баланс precision та recall.
— Скоринг транзакцій та реєстрацій у реальному часі
— Feature engineering та навчання моделі на історії шахрайства
— Гібридний рушій: правила + ML
— Дашборд ревю з пояснюючимися risk-score
Навчання та Консультації Готівка, Банківський переказ
