Bir FinTech Platformu için Dolandırıcılık Tespiti Modeli Değerlendirmesi
Bir FinTech platformu, meşru işlemlerde yanlış pozitifleri artırmadan dolandırıcılık tespiti modelinin kesinliğini iyileştirmek için doğru etiketlenmiş finansal belgelere ve insan tarafından incelenmiş işlem örneklerine ihtiyaç duyuyordu.
Client snapshot
| Industry | Finansal teknoloji ve ödemeler |
|---|---|
| Region | Kuzey Amerika ve Latin Amerika |
| Engagement type | Finansal belge etiketleme ve işlem incelemesi değerlendirmesi |
The challenge
Müşterinin dolandırıcılık modeli meşru işlemlerin kayda değer bir kısmını şüpheli olarak işaretliyordu ve dahili ekibi, modeli daha iyi etiketlenmiş sınır durumlarıyla yeniden eğitmek için gereken hacimde işlem örneklerini inceleyecek ve yeniden etiketleyecek kapasiteye sahip değildi.
The approach
Jwuma, eğitimli incelemeciler atayarak finansal belgeleri etiketletti ve işaretlenen işlem örneklerini müşterinin dolandırıcılık sınıflandırmasına göre inceletti; gerçek dolandırıcılık örüntülerini meşru ama olağandışı faaliyetten ayıran özel bir ölçüt kullandı ve belirsiz durumları teslimattan önce bir kalite güvence kademesinden yükseltti.
Results
Müşteri, yeniden etiketlenen işlem veri setini modelini yeniden eğitmek için kullandı ve bir sonraki değerlendirme döngüsünde meşru olağandışı faaliyeti gerçek dolandırıcılık örüntülerinden ayırma yeteneğini iyileştirdi.
Frequently asked questions
Dolandırıcılık tespiti modelleri neden insan tarafından incelenmiş eğitim verisine ihtiyaç duyar?
Çünkü gerçek dolandırıcılığı olağandışı ama meşru faaliyetten ayırmak çoğu zaman, yalnızca otomatik etiketlemenin güvenilir biçimde yakalayamadığı bağlamsal yargı gerektirir.
Finansal belge etiketlemeyi genel veri etiketlemeden ayıran nedir?
Belirli bir dolandırıcılık sınıflandırması ve ölçütü konusunda eğitilmiş incelemeciler gerektirir; çünkü finansal sınır durumları çoğu zaman belirsizdir ve tek bir incelemecinin kararından çok yükseltmeden yarar sağlar.
Bu tür bir program hassas finansal veriyi güvenli biçimde işleyebilir mi?
Evet, tedarikçi kimliği koruyan ve erişimi kontrol edilen inceleme iş akışları uyguluyorsa ve katkıda bulunan kimliğini müşteriye veya tersini açığa çıkarmıyorsa.
Related case studies
Küresel Bir Mobilite Platformu için Yüz ve Kimlik Doğrulama Verisi
Küresel bir mobilite ve araç çağırma platformu, sıkı onay ve biyometrik veri işleme gereklilikleri altında bir sürücü ve yolcu güvenlik doğrulama sistemini güçlendirmek için birden çok bölgeden doğrulanmış yüz ve kimlik verisine ihtiyaç duyuyordu.
Bir Robotik Yapay Zeka Programı için Egosentrik Video Verisi Toplama
Bir robotik yapay zeka şirketi, bedenlenmiş bir yapay zeka modelini tek bir laboratuvar ortamının ötesine genelleyecek şekilde eğitmek için, çeşitli ortamlarda ve vücut tiplerinde tutarlı biçimde yakalanmış, insanların günlük fiziksel görevleri yapışını gösteren birinci şahıs videosuna ihtiyaç duyuyordu.
Konuşmaya Dayalı Bir Yapay Zeka Modeli için RLHF Değerlendirmesi
Konuşmaya dayalı bir yapay zeka şirketi, mevcut geçici puanlayıcı havuzu tutarsız puanlama ürettikten sonra, RLHF ince ayar süreci için sohbet botu yanıt kalitesini puanlayacak yapılandırılmış ve ölçeklenebilir bir insan değerlendirme hattına ihtiyaç duyuyordu.
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.