Los datos y el aprendizaje automático se han convertido en la savia vital de los equipos de fraude y de prevención de lavado de dinero.
La ciencia de datos es la herramienta clave utilizada en la primera línea de la gestión de riesgos. Los CTO innovadores y sus equipos internos de ciencia de datos están logrando un retorno de la inversión sin precedentes al personalizar modelos de ML según sus perfiles de riesgo únicos.
Muchas funciones de datos y de aprendizaje automático se encuentran más allá de los límites de la organización, sin explotar y subutilizadas.
Los terceros a menudo devuelven puntuaciones pero nunca explican cómo llegaron a esa puntuación.
Al equipo de fraude y cumplimiento le encantaría saber cómo llegaron a la puntuación y poder acceder a los datos subyacentes. Podrían tener otros modelos de ML en los que quieran incorporarla o datos que quieran combinar para evaluar el riesgo.
¿Y si los datos de terceros y las características de ML funcionaran igual que las herramientas internas?
La solución es un feature store, que permite a tus científicos de datos centralizar, simplificar y poner a disposición las características generadas por modelos de terceros.
Para saber más sobre cómo funciona, hablemos
- Un ejemplo de características obtenidas mediante aprendizaje automático
- Cómo generamos esas características
- Cómo funciona el feature store
1. Dame un ejemplo de características de aprendizaje automático de Sardine
En Sardine, hemos trabajado arduamente para crear el Sardine ML Featurestore. Les damos a los clientes acceso directo a nuestro almacén de datos y a más de 4.000 características generadas mediante aprendizaje automático. Pero, ¿qué es una característica generada mediante aprendizaje automático?
Para nosotros, pueden ser puntos de datos aparentemente simples como 'User.Country''. La realidad es que entender el país real de un usuario puede ser complejo (si usan proxies o una VPN, por ejemplo). Un cliente que utiliza la función de Sardine 'User.Country está aprovechando la información de Sardine sobre ese usuario.
Una funcionalidad también puede incluir agregaciones más complejas. Por ejemplo, podemos determinar la cantidad de clientes desde una dirección IP determinada en el transcurso de un día (por ejemplo, CustomerSession.IPV4Aggregations.CustomerAggregation.CustomerCount_1DAY). Esto puede ser útil si una dirección IP en particular está creando muchas cuentas de repente.
También analizamos características específicas de la red, como determinar si un correo electrónico en particular estuvo previamente asociado con un contracargo fraudulento dentro de la red de Sardine (email.isFraudulent).
Cada una de estas características puede ser valiosa de muchas maneras. Si entiendes cómo se generan, entiendes cómo utilizarlas como equipo de ciencia de datos.
2. Contexto: cómo generamos las características de ML de Sardine
El SDK de Sardine captura señales de dispositivo y comportamiento directamente desde el equipo del usuario. Recopila información como el ID del dispositivo, el sistema operativo en uso, los detalles de la IP y patrones de comportamiento únicos del usuario, como la forma en que deslizas, escribes, tocas o sostienes el teléfono. Este potente conjunto de señales sirve como base para modelos de aprendizaje automático y se puede aprovechar a través de miles de características.
Debido a que estos modelos están preentrenados con el conjunto de datos de Sardine, podemos señalar señales como la detección de dispositivos rooteados, software remoto, anomalías en el sistema operativo y más. Las salidas del modelo proporcionan características que actúan como indicadores, información clave y señales de alerta para el equipo de fraude y cumplimiento.
3. Cómo funciona el Feature Store.
Los feature stores deben ser una extensión de tu infraestructura tecnológica.
Nadie quiere entrar en una tienda donde no puede comprar nada.
Ofrecemos acceso a almacenes de datos (Snowflake o BigQuery) para el entrenamiento de datos y, mediante una API en tiempo real, para la inferencia. Se ve como en la imagen de abajo.
- Cuando un cliente de Sardine (comerciante) solicita cualquiera de los endpoints de la API de Sardine
- Sardine calcula más de 4.000 características obtenidas mediante aprendizaje automático en tiempo real y las asocia a una “sesión” de usuario
- El resultado de esa sesión y las características generadas por aprendizaje automático se almacenan por completo en el almacén de datos (BigQuery o Snowflake).
- Los clientes pueden entonces ejecutar modelos de ML personalizados para consultar o importar datos desde Sardine
Es realmente así de sencillo.
Pero lo simple puede ser poderoso.
Cuando tienes en cuenta que el equipo de fraude y cumplimiento casi nunca tiene acceso a los datos y a las funcionalidades cuando quieren y como quieren, este enfoque puede cambiar las reglas del juego.
Esperamos ver una transición hacia los feature stores no solo en todo el espectro de riesgo, sino en toda la infraestructura de Fintech.
Por científicos de datos para científicos de datos
El feature store de Sardine está creado por un equipo de ciencia de datos para equipos de ciencia de datos. Al centralizar, simplificar y hacer accesibles las características generadas por modelos de aprendizaje automático, ponemos el poder en manos de esos equipos. Nada de cajas negras. Solo una extensión de tu equipo.
Estamos aquí para ayudar al equipo de fraude y cumplimiento a detener más fraudes con funciones más detalladas, todo desde una única API y panel de control.
¿Qué harás con el conjunto de funciones de Sardine?
Estamos emocionados por verlo.
Contáctanos para obtener más información.