Виявлення шахрайства для фінтех: -94% хибних спрацьовувань
Завдання
Фінтех-компанія мала критично високий рівень хибних спрацьовувань у системі виявлення шахрайства — до 40% заблокованих транзакцій виявлялись легітимними. Клієнти масово скаржились на невиправдані відмови, відтік зростав. Водночас команда ручного аналізу не справлялась із обсягом — черга перевірки сягала 72 годин.
Рішення
Побудували ансамблеву систему виявлення аномалій на базі Isolation Forest та LSTM Autoencoder. Модель навчалась на поведінкових патернах легітимних транзакцій і виявляє відхилення в реальному часі. Скоринг кожної транзакції через FastAPI-ендпойнт займає менше 30 мс, результати кешуються в Redis для повторних перевірок.
Результат
Кількість хибних спрацьовувань знизилась на 94% при збереженні виявлення 99.2% реального шахрайства. Система обробляє 50 000 транзакцій на хвилину. Відмова від надмірного ручного аналізу дала економію $2M на рік.
Технології
Схожі кейси
Гібридний рушій рекомендацій для fashion e-commerce: +47% до середнього чека
+47% Середній чек (AOV)
FinTech / Платіжні послугиML-система виявлення фроду для платіжного сервісу: -89% втрат від шахрайства
-89% Скорочення втрат від фроду
Агросектор / АПКПрогнозування врожайності для агрохолдингу: +31% точність планування
7,3% Точність прогнозу (MAPE)
Схожа задача? Поговоримо
Маєте схожу задачу?
Ми вже вирішували виклики у галузі Фінтех. Розкажіть про ваш проєкт — разом знайдемо оптимальне рішення та складемо план дій.
Хочете подібний результат?
Розкажіть про вашу задачу — проведемо безкоштовну консультацію з ML-архітектором і запропонуємо рішення.