项目描述
翻译我们每周因欺诈损失真实资金，人工检查已无法跟上。退款、虚假注册、被盗卡和协调攻击在任何人注意到之前就已经发生，当分析师打开可疑订单时，资金已经消失。我们需要一个基于机器学习的反欺诈系统，实时评估每笔交易和每个新注册，分配明确的风险评分，并立即标记任何看起来像欺诈或异常行为的情况，以便我们可以在损失发生之前阻止它。
该任务涵盖整个流程：从历史数据（设备指纹、尝试速度、地理位置不匹配、支付模式、账户年龄）进行特征工程，在确认的欺诈和合法操作的库上进行模型训练，并随着新方案的出现定期重新训练。黑箱方法对我们无效——解决方案应是确定性规则和机器学习的混合，其中明显的案例由规则捕获，模型处理规则遗漏的微妙、变化的欺诈，每个决策都应足够可解释，以便分析师理解。我们还需要一个审查仪表板，以按风险对标记的案例进行排序，分解每个评分背后的信号，并一键批准、阻止或升级。描述您在异常检测和不平衡数据集方面的经验、技术栈、预期延迟以及您将如何平衡精确度和召回率。
— 交易和注册的实时评分
— 基于欺诈历史的特征工程和模型训练
— 混合引擎：规则 + ML
— 带可解释风险评分的审查仪表板
该任务涵盖整个流程：从历史数据（设备指纹、尝试速度、地理位置不匹配、支付模式、账户年龄）进行特征工程，在确认的欺诈和合法操作的库上进行模型训练，并随着新方案的出现定期重新训练。黑箱方法对我们无效——解决方案应是确定性规则和机器学习的混合，其中明显的案例由规则捕获，模型处理规则遗漏的微妙、变化的欺诈，每个决策都应足够可解释，以便分析师理解。我们还需要一个审查仪表板，以按风险对标记的案例进行排序，分解每个评分背后的信号，并一键批准、阻止或升级。描述您在异常检测和不平衡数据集方面的经验、技术栈、预期延迟以及您将如何平衡精确度和召回率。
— 交易和注册的实时评分
— 基于欺诈历史的特征工程和模型训练
— 混合引擎：规则 + ML
— 带可解释风险评分的审查仪表板
教育和咨询 现金, 银行转账
