Ocena modelu wykrywania nadużyć dla platformy FinTech
Platforma FinTech potrzebowała dokładnie opisanych dokumentów finansowych i przeglądanych przez ludzi próbek transakcji, aby poprawić precyzję swojego modelu wykrywania nadużyć bez zwiększania liczby fałszywych alarmów dla legalnych transakcji.
Client snapshot
| Industry | Technologie finansowe i płatności |
|---|---|
| Region | Ameryka Północna i Ameryka Łacińska |
| Engagement type | Adnotacja dokumentów finansowych i ocena weryfikacji transakcji |
The challenge
Model nadużyć klienta oznaczał jako podejrzane znaczną część legalnych transakcji, a jego wewnętrzny zespół nie miał mocy, by przeglądać i ponownie opisywać próbki transakcji w wolumenie potrzebnym do ponownego wytrenowania modelu z lepiej oznaczonymi przypadkami granicznymi.
The approach
Jwuma przydzieliła przeszkolonych recenzentów do adnotacji dokumentów finansowych i weryfikacji oznaczonych próbek transakcji według taksonomii nadużyć klienta, z dedykowanymi wytycznymi odróżniającymi prawdziwe wzorce nadużyć od legalnej, ale nietypowej aktywności, a niejednoznaczne przypadki przed dostawą eskalowała przez poziom QA.
Results
Klient wykorzystał ponownie opisany zbiór transakcji do ponownego wytrenowania modelu, poprawiając jego zdolność odróżniania legalnej nietypowej aktywności od prawdziwych wzorców nadużyć w kolejnym cyklu oceny.
Frequently asked questions
Dlaczego modele wykrywania nadużyć potrzebują danych treningowych weryfikowanych przez ludzi?
Ponieważ odróżnienie prawdziwych nadużyć od nietypowej, ale legalnej aktywności często wymaga osądu kontekstowego, którego samo automatyczne etykietowanie nie wychwytuje wiarygodnie.
Czym adnotacja dokumentów finansowych różni się od ogólnego etykietowania danych?
Wymaga recenzentów przeszkolonych w konkretnej taksonomii i wytycznych dotyczących nadużyć, ponieważ finansowe przypadki graniczne są często niejednoznaczne i zyskują na eskalacji, a nie na decyzji jednego recenzenta.
Czy tego typu program potrafi bezpiecznie obsługiwać wrażliwe dane finansowe?
Tak, jeśli dostawca stosuje procesy weryfikacji chroniące tożsamość i z kontrolowanym dostępem oraz nie ujawnia tożsamości współpracowników klientowi ani odwrotnie.
Related case studies
Dane do weryfikacji twarzy i tożsamości dla globalnej platformy mobilności
Globalna platforma mobilności i przewozu osób potrzebowała zweryfikowanych danych twarzy i tożsamości z wielu regionów, aby wzmocnić system weryfikacji bezpieczeństwa kierowców i pasażerów, przy ścisłych wymogach dotyczących zgody i postępowania z danymi biometrycznymi.
Zbieranie egocentrycznych danych wideo dla programu AI w robotyce
Firma zajmująca się AI w robotyce potrzebowała wideo z perspektywy pierwszej osoby przedstawiającego ludzi wykonujących codzienne zadania fizyczne, rejestrowanego spójnie w zróżnicowanych środowiskach i dla różnych typów sylwetki, aby wytrenować model ucieleśnionej AI tak, by uogólniał się poza jedno środowisko laboratoryjne.
Ocena RLHF dla modelu konwersacyjnej AI
Firma zajmująca się konwersacyjną AI potrzebowała ustrukturyzowanego, skalowalnego procesu oceny przez ludzi, aby oceniać jakość odpowiedzi chatbota w procesie dostrajania RLHF, po tym jak jej dotychczasowa doraźna pula oceniających dawała niespójne wyniki.
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.