Система обнаружения мошенничества в транзакциях
- AI
- ML
- Python
- PyTorch
- LightGBM
- Apache Spark
- Apache Kafka
- Redis
- PostgreSQL
- GitLab CI/CD
У вас есть задача? Давайте обсудим!
О клиенте
Универсальный коммерческий банк входит в топ-100 надежных банков России по версии Forbes 2025 года. Организация осуществляет полный спектр финансовых операций в рублях и иностранной валюте, а также работает с драгоценными металлами и оказывает услуги в области шифрования информации. Кредитный рейтинг долгое время остается на высоком A-уровне по оценкам независимых аналитиков.
О проекте
Банк использует систему на базе искусственного интеллекта для предотвращения мошеннических действий. В случае высокой вероятности угроз программа временно приостанавливает операцию и инициирует дополнительную проверку. На фоне роста онлайн-платежей и усложнения схем мошенничества увеличилось число подозрительных транзакций и ложных срабатываний, что негативно влияло на клиентский опыт и операционные процессы.
Описание задачи
Система должна была непрерывно обучаться на новых данных и быстро адаптироваться к меняющимся тактикам злоумышленников. Бизнес сформулировал ключевые ожидания от продукта:
- эффективный анализ транзакций, поведенческих паттернов и аномалий в режиме реального времени;
- высокая точность детекции и снижение количества ложных срабатываний;
- точное использование исторических данных: информации о пользователях, суммах, географическом местоположении и других параметрах;
- бесшовная интеграция с существующими финансовыми системами для мгновенного реагирования на потенциальные угрозы.
Реализация
Клиент сосредоточился на бизнес‑целях, пока аутстаф-специалисты RedLab модернизировали систему:
- Разработали кастомные ML-модели и пайплайны обработки данных, учитывающие специфику транзакций банка и особенности поведения пользователей.
- Создали высокоточную модель бинарной классификации для онлайн-детекции фрода, чтобы обеспечить скоринг транзакций в реальном времени.
- Реализовали методы кластеризации для анализа поведенческих паттернов клиентов и выявления нетипичных групп операций.
- Построили модели аномального обнаружения для детекции ранее неизвестных мошеннических паттернов.
- Применили методы ресэмплинга для устранения сильного дисбаланса классов, характерного для антифрода (мошенничество <1%), что позволило повысить устойчивость и качество моделей.
- Внедрили микросервисную архитектуру на базе Kafka. Удалось вычислять признаки и выполнять скоринг моделей без задержек.
- Провели оценку экономического эффекта, рассчитав предотвращенный ущерб на основе среднего размера мошеннических операций и доли фрода.
- Настроили мониторинг качества алгоритмов, что обеспечило прозрачный контроль эффективности и своевременное переобучение ML-моделей.
Результат
Переходите по ссылке, чтобы узнать об аутстаффинге AI-разработчиков больше.
