Avaliação de um modelo de deteção de fraude para uma plataforma de fintech
Uma plataforma de fintech precisava de documentos financeiros anotados com exatidão e de amostras de transações revistas por humanos para melhorar a precisão do seu modelo de deteção de fraude sem aumentar os falsos positivos em transações legítimas.
Client snapshot
| Industry | Tecnologia financeira e pagamentos |
|---|---|
| Region | América do Norte e América Latina |
| Engagement type | Anotação de documentos financeiros e avaliação por revisão de transações |
The challenge
O modelo de fraude do cliente estava a assinalar como suspeita uma parte significativa de transações legítimas, e a sua equipa interna não tinha capacidade para rever e reanotar amostras de transações ao volume necessário para retreinar o modelo com casos limite melhor etiquetados.
The approach
A Jwuma atribuiu revisores treinados para anotar documentos financeiros e rever amostras de transações assinaladas de acordo com a taxonomia de fraude do cliente, com uma grelha dedicada que distinguia os verdadeiros padrões de fraude da atividade legítima mas invulgar, e escalou os casos ambíguos através de um nível de QA antes da entrega.
Results
O cliente usou o conjunto de dados de transações reanotado para retreinar o seu modelo, melhorando a sua capacidade de distinguir a atividade invulgar legítima dos verdadeiros padrões de fraude no ciclo de avaliação seguinte.
Frequently asked questions
Porque é que os modelos de deteção de fraude precisam de dados de treino revistos por humanos?
Porque distinguir a fraude genuína da atividade invulgar mas legítima exige muitas vezes um juízo contextual que a etiquetagem automatizada, por si só, não capta de forma fiável.
O que torna a anotação de documentos financeiros diferente da etiquetagem de dados geral?
Exige revisores treinados numa taxonomia e grelha de fraude específicas, uma vez que os casos limite financeiros são muitas vezes ambíguos e beneficiam de escalada em vez da decisão de um único revisor.
Este tipo de programa consegue tratar dados financeiros sensíveis em segurança?
Sim, quando o fornecedor aplica fluxos de revisão com proteção de identidade e acesso controlado e não expõe a identidade dos colaboradores ao cliente nem vice-versa.
Related case studies
Dados de verificação facial e de identidade para uma plataforma global de mobilidade
Uma plataforma global de mobilidade e de transporte individual precisava de dados faciais e de identidade verificados em várias regiões para reforçar um sistema de verificação de segurança de condutores e passageiros, sob requisitos rigorosos de consentimento e de tratamento de dados biométricos.
Recolha de dados de vídeo egocêntrico para um programa de IA de robótica
Uma empresa de IA de robótica precisava de vídeo na primeira pessoa de humanos a realizar tarefas físicas do quotidiano, captado de forma consistente em ambientes e tipos de corpo diversos, para treinar um modelo de IA incorporada a generalizar para além de um único cenário de laboratório.
Avaliação de RLHF para um modelo de IA conversacional
Uma empresa de IA conversacional precisava de um pipeline de avaliação humana estruturado e escalável para avaliar a qualidade das respostas de chatbot no seu processo de ajuste fino por RLHF, depois de o seu conjunto de avaliadores ad hoc existente ter produzido pontuações inconsistentes.
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.