Фрод стабильно съедает часть нашей выручки, и удерживать его вручную больше не выходит — люди физически не успевают просматривать поток операций. Возвратные платежи, накрутка регистраций, чужие карты и организованные атаки успевают сработать до того, как мы их замечаем. Нам требуется автоматический антифрод на машинном обучении, который в момент проведения операции и при каждой новой регистрации считает степень риска, присваивает прозрачную оценку и тут же поднимает тревогу по всему, что выглядит как мошенничество или нетипичное поведение. Цель простая: перехватывать потери до того, как деньги ушли.
Работа нужна по всей цепочке: извлечение признаков из накопленных данных (отпечаток устройства, темп попыток, расхождения по геолокации, платёжное поведение, возраст учётной записи), обучение модели на базе уже разобранных мошеннических и честных случаев и регулярное дообучение, потому что схемы обмана меняются постоянно. Непрозрачный автомат нам не нужен — правильная архитектура это связка жёстких правил и модели: явные вещи отсекают правила, а модель ловит хитрый и плавающий фрод, который под правила не попадает, и по каждому срабатыванию видно, какие факторы дали высокую оценку. Ещё нужна панель разбора, где оператор ранжирует поднятые операции по риску, раскрывает причины оценки и одним действием подтверждает, отклоняет или передаёт выше. Расскажите про опыт с выявлением аномалий и сильно несбалансированными данными, какой стек предложите, какую задержку выдержите и как будете держать баланс полноты и точности.
— Оценка операций и регистраций в момент проведения
— Извлечение признаков и обучение на истории мошенничества
— Связка правил и модели в одном движке
— Панель разбора с понятными оценками риска
Работа нужна по всей цепочке: извлечение признаков из накопленных данных (отпечаток устройства, темп попыток, расхождения по геолокации, платёжное поведение, возраст учётной записи), обучение модели на базе уже разобранных мошеннических и честных случаев и регулярное дообучение, потому что схемы обмана меняются постоянно. Непрозрачный автомат нам не нужен — правильная архитектура это связка жёстких правил и модели: явные вещи отсекают правила, а модель ловит хитрый и плавающий фрод, который под правила не попадает, и по каждому срабатыванию видно, какие факторы дали высокую оценку. Ещё нужна панель разбора, где оператор ранжирует поднятые операции по риску, раскрывает причины оценки и одним действием подтверждает, отклоняет или передаёт выше. Расскажите про опыт с выявлением аномалий и сильно несбалансированными данными, какой стек предложите, какую задержку выдержите и как будете держать баланс полноты и точности.
— Оценка операций и регистраций в момент проведения
— Извлечение признаков и обучение на истории мошенничества
— Связка правил и модели в одном движке
— Панель разбора с понятными оценками риска
