DinamarcaServiços financeiros e seguros2017–2018Danske Bank
Detecção de fraudes com aprendizado de máquina
O Danske Bank substituiu alertas de fraude baseados em regras por aprendizado de máquina e reduziu os falsos positivos
Problema
A detecção de fraudes do Danske Bank dependia principalmente de regras escritas à mão. As regras geravam números recordes de alarmes falsos, em certos momentos uma taxa de falsos positivos de 99,5%, e a grande equipe antifraude gastava boa parte do tempo investigando pagamentos legítimos.
Abordagem
Em parceria com a Think Big Analytics, braço de consultoria da Teradata, o banco criou modelos de aprendizado de máquina que monitoram pagamentos bancários e móveis em busca de fraudes em tempo real, desenvolvidos em ciclos de 12 semanas. Colocou em produção o conjunto de modelos de aprendizado de máquina e testou em paralelo modelos de aprendizado profundo. O projeto foi apresentado publicamente em outubro de 2017.
Números principais
Lição
O banco reduziu investigações inúteis e detectou mais fraudes, mas os números variaram conforme a fonte e a etapa. O fornecedor informou, antes da produção, cortes de 50% nos falsos positivos e aumento de 60% na detecção; um relatório de analista meses depois situou a redução de falsos positivos dos modelos em produção entre 20% e 30%.
Categorias
- Porte
- Grande empresa
- Função empresarial
- Finanças, riscos e jurídico
- Tipo de inovação
- Inovação de processos
- Tecnologia de IA
- Análise preditiva e ML
- Forma de adoção
- Codesenvolvimento com parceiros
- Evidência
- Declaração da própria empresa
Fontes
Resumos das fontes
A Teradata disse que o Danske Bank trabalhou com seus consultores da Think Big Analytics para colocar em produção a detecção de fraudes com aprendizado de máquina enquanto desenvolvia modelos de aprendizado profundo. Nadeem Gulzar, chefe de análises avançadas do banco, disse que os testes pré-produção reduziram os falsos positivos em 50%, permitindo que metade da unidade antifraude passasse a trabalhos de maior valor. A Teradata informou também aumento de cerca de 60% na taxa de detecção nos testes pré-produção e disse que os falsos positivos sob as regras antigas chegaram, em certos momentos, a 99,5%.
O analista Doug Henschen informou que o aumento das fraudes a partir de 2016 levou o Danske Bank a criar modelos de aprendizado de máquina com a Think Big Analytics, da Teradata, em ciclos de desenvolvimento de 12 semanas. Disse que o conjunto de modelos de aprendizado de máquina reduziu os falsos positivos em 20% a 30% e que os modelos de aprendizado profundo, construídos em TensorFlow, mostraram ganhos de detecção de dois dígitos em testes, mas ainda não estavam em produção.
Os detalhes completos estão disponíveis nas fontes originais.
