Evaluasi Model Deteksi Penipuan untuk Platform FinTech
Sebuah platform FinTech membutuhkan dokumen keuangan yang dianotasi secara akurat dan sampel transaksi yang ditinjau manusia untuk meningkatkan presisi model deteksi penipuannya tanpa meningkatkan false positive pada transaksi yang sah.
Client snapshot
| Industry | Teknologi finansial dan pembayaran |
|---|---|
| Region | Amerika Utara dan Amerika Latin |
| Engagement type | Anotasi dokumen keuangan dan evaluasi peninjauan transaksi |
The challenge
Model penipuan klien menandai sebagian berarti transaksi yang sah sebagai mencurigakan, dan tim internal mereka tidak memiliki kapasitas untuk meninjau dan menganotasi ulang sampel transaksi dalam volume yang dibutuhkan untuk melatih ulang model dengan kasus tepi yang dilabeli lebih baik.
The approach
Jwuma menugaskan peninjau terlatih untuk menganotasi dokumen keuangan dan meninjau sampel transaksi yang ditandai terhadap taksonomi penipuan klien, dengan rubrik khusus yang membedakan pola penipuan sejati dari aktivitas yang sah tetapi tidak biasa, dan mengeskalasi kasus yang ambigu melalui tingkat QA sebelum pengiriman.
Results
Klien menggunakan dataset transaksi yang dianotasi ulang untuk melatih ulang modelnya, meningkatkan kemampuannya membedakan aktivitas tidak biasa yang sah dari pola penipuan sejati dalam siklus evaluasi berikutnya.
Frequently asked questions
Mengapa model deteksi penipuan memerlukan data pelatihan yang ditinjau manusia?
Karena membedakan penipuan sejati dari aktivitas tidak biasa tetapi sah sering memerlukan penilaian kontekstual yang tidak dapat ditangkap secara andal hanya oleh pelabelan otomatis.
Apa yang membuat anotasi dokumen keuangan berbeda dari pelabelan data umum?
Ini memerlukan peninjau yang terlatih pada taksonomi penipuan dan rubrik tertentu, karena kasus tepi keuangan sering ambigu dan diuntungkan dari eskalasi alih-alih keputusan seorang peninjau tunggal.
Dapatkah jenis program ini menangani data keuangan sensitif dengan aman?
Ya, jika vendor menerapkan alur kerja peninjauan dengan identitas terlindungi dan akses terkontrol serta tidak memaparkan identitas kontributor kepada klien atau sebaliknya.
Related case studies
Data Verifikasi Wajah dan Identitas untuk Platform Mobilitas Global
Sebuah platform mobilitas dan ride-hailing global membutuhkan data wajah dan identitas yang terverifikasi di berbagai wilayah untuk memperkuat sistem verifikasi keamanan pengemudi dan penumpang, di bawah persyaratan persetujuan dan penanganan biometrik yang ketat.
Pengumpulan Data Video Egosentris untuk Program AI Robotika
Sebuah perusahaan AI robotika membutuhkan video sudut pandang orang pertama dari manusia yang melakukan tugas fisik sehari-hari, diambil secara konsisten di berbagai lingkungan dan bentuk tubuh, untuk melatih model AI berwujud agar dapat digeneralisasi di luar satu pengaturan laboratorium.
Evaluasi RLHF untuk Model AI Percakapan
Sebuah perusahaan AI percakapan membutuhkan jalur pipa evaluasi manusia yang terstruktur dan dapat berskala untuk menilai kualitas respons chatbot bagi proses penyesuaian RLHF-nya, setelah kumpulan penilai ad hoc yang ada menghasilkan penilaian yang tidak konsisten.
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.