Evaluación de un modelo de detección de fraude para una plataforma FinTech
Una plataforma FinTech necesitaba documentos financieros anotados con exactitud y muestras de transacciones revisadas por personas para mejorar la precisión de su modelo de detección de fraude sin aumentar los falsos positivos en transacciones legítimas.
Client snapshot
| Industry | Tecnología financiera y pagos |
|---|---|
| Region | Norteamérica y América Latina |
| Engagement type | Anotación de documentos financieros y evaluación de revisión de transacciones |
The challenge
El modelo de fraude del cliente marcaba como sospechosa una parte significativa de transacciones legítimas, y su equipo interno carecía de la capacidad para revisar y volver a anotar muestras de transacciones al volumen necesario para reentrenar el modelo con casos límite mejor etiquetados.
The approach
Jwuma asignó revisores formados para anotar documentos financieros y revisar muestras de transacciones marcadas según la taxonomía de fraude del cliente, con una rúbrica específica que distinguía los patrones de fraude real de la actividad legítima pero inusual, y escaló los casos ambiguos por un nivel de QA antes de la entrega.
Results
El cliente utilizó el conjunto de datos de transacciones reanotado para reentrenar su modelo, lo que mejoró su capacidad para distinguir la actividad inusual legítima de los patrones de fraude genuinos en su siguiente ciclo de evaluación.
Frequently asked questions
¿Por qué necesitan los modelos de detección de fraude datos de entrenamiento revisados por personas?
Porque distinguir el fraude genuino de la actividad inusual pero legítima suele requerir un juicio contextual que el etiquetado automático por sí solo no capta de forma fiable.
¿Qué distingue la anotación de documentos financieros del etiquetado de datos general?
Requiere revisores formados en una taxonomía y una rúbrica de fraude concretas, ya que los casos límite financieros suelen ser ambiguos y se benefician de la escalada en lugar de depender de la decisión de un solo revisor.
¿Puede este tipo de programa manejar datos financieros sensibles de forma segura?
Sí, cuando el proveedor aplica flujos de revisión con identidad protegida y acceso controlado y no expone la identidad del colaborador al cliente ni al revés.
Related case studies
Datos de verificación facial y de identidad para una plataforma global de movilidad
Una plataforma global de movilidad y transporte con conductor necesitaba datos faciales y de identidad verificados en varias regiones para reforzar un sistema de verificación de seguridad de conductores y pasajeros, bajo estrictos requisitos de consentimiento y de tratamiento de datos biométricos.
Recopilación de datos de vídeo egocéntrico para un programa de IA de robótica
Una empresa de IA de robótica necesitaba vídeo en primera persona de personas realizando tareas físicas cotidianas, captado de forma coherente en entornos y tipos de cuerpo diversos, para entrenar un modelo de IA corpórea que generalizara más allá de un único entorno de laboratorio.
Evaluación RLHF para un modelo de IA conversacional
Una empresa de IA conversacional necesitaba un circuito de evaluación humana estructurado y escalable para puntuar la calidad de las respuestas de un chatbot en su proceso de ajuste fino con RLHF, después de que su grupo de evaluadores ad hoc produjera una puntuación incoherente.
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.