Đánh giá mô hình phát hiện gian lận cho một nền tảng FinTech
Một nền tảng FinTech cần các tài liệu tài chính được gán nhãn chính xác và các mẫu giao dịch do con người rà soát để cải thiện độ chính xác của mô hình phát hiện gian lận mà không làm tăng cảnh báo sai trên các giao dịch hợp pháp.
Client snapshot
| Industry | Công nghệ tài chính và thanh toán |
|---|---|
| Region | Bắc Mỹ và Mỹ Latin |
| Engagement type | Gán nhãn tài liệu tài chính và đánh giá rà soát giao dịch |
The challenge
Mô hình gian lận của khách hàng đang đánh dấu một tỷ lệ đáng kể các giao dịch hợp pháp là đáng ngờ, và đội nội bộ của họ không đủ năng lực để rà soát và gán nhãn lại các mẫu giao dịch ở khối lượng cần thiết để huấn luyện lại mô hình với các trường hợp biên được gán nhãn tốt hơn.
The approach
Jwuma phân công những người rà soát được đào tạo để gán nhãn tài liệu tài chính và rà soát các mẫu giao dịch bị đánh dấu theo phân loại gian lận của khách hàng, với một tiêu chí chấm điểm riêng phân biệt các mẫu gian lận thật với hoạt động hợp pháp nhưng bất thường, và chuyển các trường hợp mơ hồ lên một cấp QA trước khi giao hàng.
Results
Khách hàng đã dùng bộ dữ liệu giao dịch được gán nhãn lại để huấn luyện lại mô hình, cải thiện khả năng phân biệt hoạt động bất thường hợp pháp với các mẫu gian lận thực sự trong chu kỳ đánh giá tiếp theo.
Frequently asked questions
Vì sao các mô hình phát hiện gian lận cần dữ liệu huấn luyện do con người rà soát?
Vì việc phân biệt gian lận thực sự với hoạt động bất thường nhưng hợp pháp thường đòi hỏi phán đoán theo ngữ cảnh mà riêng gán nhãn tự động không nắm bắt được một cách đáng tin cậy.
Gán nhãn tài liệu tài chính khác gán nhãn dữ liệu thông thường ở điểm nào?
Nó đòi hỏi người rà soát được đào tạo về một phân loại gian lận và tiêu chí chấm điểm cụ thể, vì các trường hợp biên về tài chính thường mơ hồ và được lợi từ việc chuyển cấp hơn là quyết định của một người rà soát.
Chương trình loại này có thể xử lý dữ liệu tài chính nhạy cảm một cách an toàn không?
Có, khi nhà cung cấp áp dụng các quy trình rà soát bảo vệ danh tính, kiểm soát truy cập và không để lộ danh tính cộng tác viên cho khách hàng hay ngược lại.
Related case studies
Dữ liệu xác minh khuôn mặt và danh tính cho một nền tảng di chuyển toàn cầu
Một nền tảng di chuyển và gọi xe toàn cầu cần dữ liệu khuôn mặt và danh tính đã được xác minh tại nhiều khu vực để tăng cường hệ thống xác minh an toàn cho tài xế và hành khách, theo các yêu cầu nghiêm ngặt về sự đồng ý và xử lý dữ liệu sinh trắc học.
Thu thập dữ liệu video góc nhìn thứ nhất cho một chương trình AI robot
Một công ty AI robot cần video góc nhìn thứ nhất quay con người thực hiện các nhiệm vụ vật lý hằng ngày, được ghi nhận nhất quán trên nhiều môi trường và dáng người đa dạng, để huấn luyện mô hình AI có thân thể khái quát hóa vượt ra ngoài một môi trường phòng thí nghiệm đơn lẻ.
Đánh giá RLHF cho một mô hình AI hội thoại
Một công ty AI hội thoại cần một quy trình đánh giá của con người có cấu trúc, có thể mở rộng để chấm chất lượng câu trả lời của chatbot cho quá trình tinh chỉnh RLHF, sau khi nhóm người chấm tùy hứng hiện có tạo ra điểm số thiếu nhất quán.
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.