একটি FinTech প্ল্যাটফর্মের জন্য জালিয়াতি সনাক্তকরণ মডেল মূল্যায়ন
একটি FinTech প্ল্যাটফর্মের বৈধ লেনদেনে মিথ্যা ইতিবাচক না বাড়িয়ে তাদের জালিয়াতি সনাক্তকরণ মডেলের নির্ভুলতা উন্নত করতে সঠিকভাবে অ্যানোটেটকৃত আর্থিক দলিল ও মানব-পর্যালোচিত লেনদেন নমুনা প্রয়োজন ছিল।
Client snapshot
| Industry | আর্থিক প্রযুক্তি ও পেমেন্ট |
|---|---|
| Region | উত্তর আমেরিকা ও লাতিন আমেরিকা |
| Engagement type | আর্থিক দলিল অ্যানোটেশন ও লেনদেন পর্যালোচনা মূল্যায়ন |
The challenge
ক্লায়েন্টের জালিয়াতি মডেল বৈধ লেনদেনের একটি অর্থপূর্ণ অংশকে সন্দেহজনক হিসেবে চিহ্নিত করছিল, এবং তাদের অভ্যন্তরীণ দলের ভালোভাবে লেবেল করা সীমান্ত ক্ষেত্রসহ মডেলকে পুনঃপ্রশিক্ষণ দিতে প্রয়োজনীয় পরিমাণে লেনদেন নমুনা পর্যালোচনা ও পুনঃঅ্যানোটেট করার ক্ষমতা ছিল না।
The approach
Jwuma ক্লায়েন্টের জালিয়াতি শ্রেণিবিন্যাসের বিপরীতে আর্থিক দলিল অ্যানোটেট করতে ও চিহ্নিত লেনদেন নমুনা পর্যালোচনা করতে প্রশিক্ষিত পর্যালোচক নিয়োগ করেছিল, প্রকৃত জালিয়াতির প্যাটার্নকে বৈধ কিন্তু অস্বাভাবিক কার্যকলাপ থেকে আলাদা করার একটি নিবেদিত রুব্রিকসহ, এবং ডেলিভারির আগে অস্পষ্ট ক্ষেত্রগুলো একটি QA স্তরের মাধ্যমে এসকেলেট করেছিল।
Results
ক্লায়েন্ট পুনঃঅ্যানোটেটকৃত লেনদেন ডেটাসেট তাদের মডেল পুনঃপ্রশিক্ষণ দিতে ব্যবহার করেছিল, তাদের পরবর্তী মূল্যায়ন চক্রে প্রকৃত জালিয়াতির প্যাটার্ন থেকে বৈধ অস্বাভাবিক কার্যকলাপ আলাদা করার ক্ষমতা উন্নত করেছিল।
Frequently asked questions
কেন জালিয়াতি সনাক্তকরণ মডেলে মানব-পর্যালোচিত প্রশিক্ষণ ডেটা প্রয়োজন?
কারণ প্রকৃত জালিয়াতিকে অস্বাভাবিক কিন্তু বৈধ কার্যকলাপ থেকে আলাদা করতে প্রায়ই প্রাসঙ্গিক বিচার প্রয়োজন যা শুধু স্বয়ংক্রিয় লেবেলিং নির্ভরযোগ্যভাবে ধরতে পারে না।
আর্থিক দলিল অ্যানোটেশনকে সাধারণ ডেটা লেবেলিং থেকে কী ভিন্ন করে?
এর জন্য একটি নির্দিষ্ট জালিয়াতি শ্রেণিবিন্যাস ও রুব্রিকে প্রশিক্ষিত পর্যালোচক প্রয়োজন, কারণ আর্থিক সীমান্ত ক্ষেত্র প্রায়ই অস্পষ্ট এবং একজন একক পর্যালোচকের সিদ্ধান্তের পরিবর্তে এসকেলেশন থেকে উপকৃত হয়।
এই ধরনের প্রোগ্রাম কি স্পর্শকাতর আর্থিক ডেটা নিরাপদে পরিচালনা করতে পারে?
হ্যাঁ, যদি ভেন্ডর পরিচয়-সুরক্ষিত, অ্যাক্সেস-নিয়ন্ত্রিত পর্যালোচনা কর্মপ্রবাহ প্রয়োগ করে এবং ক্লায়েন্টের কাছে কন্ট্রিবিউটরের পরিচয় প্রকাশ না করে বা বিপরীতভাবেও নয়।
Related case studies
একটি বৈশ্বিক মোবিলিটি প্ল্যাটফর্মের জন্য মুখ ও পরিচয় যাচাইকরণ ডেটা
একটি বৈশ্বিক মোবিলিটি ও রাইড-হেইলিং প্ল্যাটফর্মের কঠোর সম্মতি ও বায়োমেট্রিক-পরিচালনার প্রয়োজনীয়তার অধীনে একটি চালক ও যাত্রী নিরাপত্তা যাচাইকরণ ব্যবস্থা শক্তিশালী করতে একাধিক অঞ্চল জুড়ে যাচাইকৃত মুখ ও পরিচয় ডেটা প্রয়োজন ছিল।
একটি রোবোটিক্স AI প্রোগ্রামের জন্য ইগোসেন্ট্রিক ভিডিও ডেটা সংগ্রহ
একটি রোবোটিক্স AI কোম্পানির একটি মূর্ত AI মডেলকে একক ল্যাব সেটিংয়ের বাইরে সাধারণীকরণ করতে প্রশিক্ষণ দিতে বিভিন্ন পরিবেশ ও শরীরের ধরন জুড়ে ধারাবাহিকভাবে ধারণকৃত মানুষের দৈনন্দিন শারীরিক কাজ সম্পাদনের প্রথম-পুরুষ ভিডিও প্রয়োজন ছিল।
একটি কথোপকথনমূলক AI মডেলের জন্য RLHF মূল্যায়ন
একটি কথোপকথনমূলক AI কোম্পানির তাদের RLHF সূক্ষ্ম-সমন্বয় প্রক্রিয়ার জন্য চ্যাটবট প্রতিক্রিয়ার গুণমান রেট করতে একটি কাঠামোবদ্ধ, স্কেলযোগ্য মানব মূল্যায়ন পাইপলাইন প্রয়োজন ছিল, তাদের বিদ্যমান অ্যাড হক রেটার পুল অসামঞ্জস্যপূর্ণ স্কোরিং তৈরি করার পরে।
Published 2026-10-02 by Jwuma, operated by Corpshore AI. This case study is an anonymized composite representative of the kind of work Jwuma performs in this industry, described by industry, region and engagement type rather than by company name, since this engagement is not yet cleared for public naming. Discuss a similar program at client.corpshore.ai.