Fraud Detection: чому 200 статичних правил гірше за одну ML-модель

## Проблема статичних правил у fraud detection Більшість фінтех-компаній та банків починають боротьбу з шахрайством із rule-based систем: якщо сума понад X, якщо транзакція з незвичної країни, якщо більше трьох спроб за п'ять хвилин — блокувати. Це логічно і прозоро. Але з часом правил стає все більше: 50, 100, 200 і більше. Система перетворюється на нечитабельний лабіринт умов, де одне правило суперечить іншому, а кожна нова схема шахрайства вимагає ручного оновлення. Головні вади статичних правил: вони не адаптуються до нових патернів без ручного втручання; зловмисники швидко вивчають логіку правил і обходять їх; висока кількість хибних тривог (false positives) блокує легітимних клієнтів; правила не враховують контекст і поведінкові патерни конкретного клієнта. ## Як ML вирішує задачу fraud detection Алгоритми машинного навчання підходять до задачі інакше: замість фіксованих порогів вони вивчають патерни нормальної та аномальної поведінки з тисяч ознак одночасно. LightGBM та XGBoost — найпоширеніші алгоритми для транзакційного fraud detection завдяки здатності обробляти табличні дані, стійкості до пропусків і швидкому inference. Типові ознаки (features) для моделі: відхилення суми від середньої для даного клієнта, час з моменту попередньої транзакції, геолокаційні аномалії, пристрій та канал, поведінкові патерни мерчанта. Модель оцінює кожну транзакцію у реальному часі і повертає fraud score від 0 до 1 замість бінарного рішення. ## Isolation Forest та GNN для складніших сценаріїв Isolation Forest ефективний для виявлення аномалій без розмічених даних про шахрайство — коли прикладів fraud недостатньо для supervised навчання. Алгоритм ізолює точки, що найлегше відокремити від решти масиву даних. Graph Neural Networks (GNN) застосовуються для виявлення складніших схем: мережі підставних рахунків, кільцеві транзакції, організовані групи шахраїв. GNN аналізує не лише окремі транзакції, а зв'язки між акаунтами, пристроями і мерчантами. ## Баланс між precision та recall Головна складність fraud detection — асиметричні витрати помилок. Хибне спрацювання (блокування легітимного клієнта) коштує репутації та втраченій транзакції. Пропущене шахрайство коштує прямих фінансових збитків. Налаштування порогу fraud score дозволяє балансувати між цими ризиками відповідно до бізнес-пріоритетів. Реальні результати переходу з rule-based на ML: скорочення false positive rate на 40-60%, підвищення recall (виявлення реального шахрайства) з 65-70% до 85-92%, зниження операційних витрат на ручний review транзакцій на 30-50%.