Valutazione di un modello di rilevamento frodi per una piattaforma FinTech
Una piattaforma FinTech aveva bisogno di documenti finanziari annotati con precisione e di campioni di transazioni rivisti da persone per migliorare la precisione del proprio modello di rilevamento frodi senza aumentare i falsi positivi sulle transazioni legittime.
Client snapshot
| Industry | Tecnologia finanziaria e pagamenti |
|---|---|
| Region | Nord America e America Latina |
| Engagement type | Annotazione di documenti finanziari e valutazione tramite revisione di transazioni |
The challenge
Il modello antifrode del cliente segnalava come sospetta una quota significativa di transazioni legittime, e il suo team interno non aveva la capacità di rivedere e riannotare i campioni di transazioni nel volume necessario per riaddestrare il modello con casi limite meglio etichettati.
The approach
Jwuma ha assegnato revisori formati per annotare i documenti finanziari e rivedere i campioni di transazioni segnalate in base alla tassonomia delle frodi del cliente, con una griglia dedicata che distingue i veri schemi di frode da attività legittime ma insolite, e ha inoltrato i casi ambigui a un livello QA prima della consegna.
Results
Il cliente ha usato il dataset di transazioni riannotato per riaddestrare il proprio modello, migliorando nel ciclo di valutazione successivo la capacità di distinguere l'attività insolita legittima dai veri schemi di frode.
Frequently asked questions
Perché i modelli di rilevamento frodi hanno bisogno di dati di addestramento rivisti da persone?
Perché distinguere una vera frode da un'attività insolita ma legittima richiede spesso un giudizio contestuale che la sola etichettatura automatica non coglie in modo affidabile.
Cosa distingue l'annotazione di documenti finanziari dall'etichettatura generica dei dati?
Richiede revisori formati su una specifica tassonomia delle frodi e su una griglia, poiché i casi limite finanziari sono spesso ambigui e beneficiano di un'escalation anziché della decisione di un singolo revisore.
Questo tipo di programma può gestire in sicurezza dati finanziari sensibili?
Sì, quando il fornitore applica flussi di revisione a identità protetta e con accesso controllato e non espone l'identità dei contributor al cliente né viceversa.
Related case studies
Dati di verifica facciale e dell'identità per una piattaforma di mobilità globale
Una piattaforma globale di mobilità e ride-hailing aveva bisogno di dati verificati di volti e identità in più regioni per rafforzare un sistema di verifica della sicurezza di autisti e passeggeri, nel rispetto di rigorosi requisiti di consenso e di trattamento dei dati biometrici.
Raccolta di dati video egocentrici per un programma di IA robotica
Un'azienda di IA robotica aveva bisogno di video in prima persona di persone che svolgono compiti fisici quotidiani, acquisiti in modo coerente in ambienti e con tipi di corpo diversi, per addestrare un modello di IA incarnata a generalizzare oltre un singolo ambiente di laboratorio.
Valutazione RLHF per un modello di IA conversazionale
Un'azienda di IA conversazionale aveva bisogno di una pipeline di valutazione umana strutturata e scalabile per valutare la qualità delle risposte dei chatbot nel proprio processo di messa a punto RLHF, dopo che il suo gruppo di valutatori ad hoc aveva prodotto punteggi incoerenti.
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.