Évaluation d'un modèle de détection de fraude pour une plateforme FinTech
Une plateforme FinTech avait besoin de documents financiers annotés avec exactitude et d'échantillons de transactions examinés par des humains pour améliorer la précision de son modèle de détection de fraude sans augmenter les faux positifs sur les transactions légitimes.
Client snapshot
| Industry | Technologie financière et paiements |
|---|---|
| Region | Amérique du Nord et Amérique latine |
| Engagement type | Annotation de documents financiers et évaluation par revue de transactions |
The challenge
Le modèle de fraude du client signalait comme suspecte une part significative de transactions légitimes, et son équipe interne n'avait pas la capacité d'examiner et de réannoter des échantillons de transactions au volume nécessaire pour réentraîner le modèle avec des cas limites mieux étiquetés.
The approach
Jwuma a affecté des relecteurs formés pour annoter des documents financiers et examiner des échantillons de transactions signalées selon la taxonomie de fraude du client, avec une grille dédiée distinguant les véritables schémas de fraude d'une activité légitime mais inhabituelle, et a fait remonter les cas ambigus par un niveau QA avant la livraison.
Results
Le client a utilisé le jeu de données de transactions réannoté pour réentraîner son modèle, améliorant sa capacité à distinguer l'activité inhabituelle légitime des véritables schémas de fraude lors de son cycle d'évaluation suivant.
Frequently asked questions
Pourquoi les modèles de détection de fraude ont-ils besoin de données d'entraînement examinées par des humains ?
Parce que distinguer une fraude réelle d'une activité inhabituelle mais légitime exige souvent un jugement contextuel que l'étiquetage automatisé seul ne saisit pas de façon fiable.
Qu'est-ce qui distingue l'annotation de documents financiers de l'étiquetage de données général ?
Elle exige des relecteurs formés à une taxonomie et à une grille de fraude précises, car les cas limites financiers sont souvent ambigus et gagnent à être remontés plutôt que tranchés par un seul relecteur.
Ce type de programme peut-il traiter des données financières sensibles en toute sécurité ?
Oui, lorsque le fournisseur applique des flux de revue protégeant l'identité et à accès contrôlé, et n'expose pas l'identité du contributeur au client ni l'inverse.
Related case studies
Données de vérification faciale et d'identité pour une plateforme mondiale de mobilité
Une plateforme mondiale de mobilité et de VTC avait besoin de données faciales et d'identité vérifiées dans plusieurs régions pour renforcer un système de vérification de sécurité des conducteurs et des passagers, dans le respect d'exigences strictes de consentement et de traitement des données biométriques.
Collecte de données vidéo égocentriques pour un programme d'IA en robotique
Une entreprise d'IA en robotique avait besoin de vidéos à la première personne d'humains exécutant des tâches physiques quotidiennes, captées de façon cohérente dans des environnements et des morphologies variés, pour entraîner un modèle d'IA incarnée à généraliser au-delà d'un seul cadre de laboratoire.
Évaluation RLHF pour un modèle d'IA conversationnelle
Une entreprise d'IA conversationnelle avait besoin d'un pipeline d'évaluation humaine structuré et évolutif pour noter la qualité des réponses de son chatbot dans son processus d'affinage RLHF, après que son groupe d'évaluateurs ad hoc eut produit des notations incohérentes.
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.