Đan MạchTài chính và bảo hiểm2017–2018Danske Bank
Phát hiện gian lận bằng học máy
Danske Bank thay cảnh báo gian lận dựa trên quy tắc bằng học máy và giảm số báo động giả
Vấn đề
Hệ thống phát hiện gian lận của Danske Bank chủ yếu dựa vào các quy tắc do con người thiết lập thủ công. Các quy tắc này tạo ra số lượng báo động giả kỷ lục, có lúc tỷ lệ dương tính giả lên tới 99,5%, và đội ngũ chống gian lận đông đảo dành nhiều thời gian điều tra các khoản thanh toán hợp lệ.
Cách tiếp cận
Cùng Think Big Analytics, bộ phận tư vấn của Teradata, ngân hàng xây dựng các mô hình học máy giám sát thanh toán ngân hàng và di động để phát hiện gian lận theo thời gian thực, phát triển theo các sprint 12 tuần. Ngân hàng đưa tổ hợp mô hình học máy vào vận hành thực tế trong khi song song thử nghiệm các mô hình học sâu. Dự án được giới thiệu công khai vào tháng 10/2017.
Số liệu chính
Bài học
Ngân hàng giảm được các cuộc điều tra lãng phí và phát hiện nhiều gian lận hơn, nhưng số liệu khác nhau tùy nguồn và giai đoạn. Nhà cung cấp báo cáo mức giảm 50% số cảnh báo dương tính giả và mức tăng 60% khả năng phát hiện trong giai đoạn trước khi vận hành thực tế; một báo cáo của nhà phân tích vài tháng sau cho biết mức giảm số cảnh báo dương tính giả của các mô hình đang vận hành là 20% đến 30%.
Phân loại
- Quy mô
- Doanh nghiệp lớn
- Chức năng kinh doanh
- Tài chính, rủi ro và pháp chế
- Loại hình đổi mới
- Đổi mới quy trình
- Công nghệ AI
- Phân tích dự báo và học máy
- Hình thức triển khai
- Đồng phát triển với đối tác
- Căn cứ
- Công bố của doanh nghiệp
Nguồn
Tóm tắt nguồn
Teradata cho biết Danske Bank hợp tác với các chuyên gia tư vấn Think Big Analytics của hãng để đưa hệ thống phát hiện gian lận bằng học máy vào vận hành thực tế trong khi phát triển các mô hình học sâu. Nadeem Gulzar, trưởng bộ phận phân tích nâng cao của ngân hàng, cho biết các thử nghiệm trước khi vận hành thực tế giảm 50% số cảnh báo dương tính giả, cho phép một nửa bộ phận chống gian lận chuyển sang công việc có giá trị cao hơn. Teradata cũng báo cáo tỷ lệ phát hiện tăng khoảng 60% trong các thử nghiệm trước khi vận hành thực tế và cho biết tỷ lệ dương tính giả theo các quy tắc cũ có lúc lên tới 99,5%.
Nhà phân tích Doug Henschen cho biết gian lận gia tăng từ năm 2016 khiến Danske Bank xây dựng các mô hình học máy cùng Think Big Analytics của Teradata theo các sprint phát triển 12 tuần. Ông cho biết tổ hợp mô hình học máy giảm 20% đến 30% số cảnh báo dương tính giả, còn các mô hình học sâu xây dựng trên TensorFlow cho thấy mức tăng khả năng phát hiện đạt 2 chữ số trong thử nghiệm nhưng chưa được đưa vào vận hành thực tế.
Thông tin đầy đủ có trong tài liệu gốc.
