Creación de un modelo de riesgo para fundaciones
Los modelos de detección de fraude procesan una lista plana de características. El historial de un cliente debe resumirse en recuentos y promedios de treinta días antes de que el modelo llegue siquiera a analizarlo, y cada agregación elimina el orden en que se produjeron las transacciones. Ese orden es precisamente lo que un modelo fundacional está diseñado para interpretar.
Este informe técnico documenta lo que ocurrió cuando preentrenamos un transformer con secuencias de transacciones de tarjetas emitidas, sin utilizar etiquetas de fraude en ninguna fase del proceso, y lo usamos para generar características para el modelo de fraude que ya utilizamos. El modelo de puntuación no cambió. Lo que cambió fueron sus datos de entrada.
En el interior, encontrarás:
- El proceso completo de cinco etapas: cómo se tokenizaron las transacciones con tarjeta, se realizó un preentrenamiento sin etiquetas y se convirtieron en dos conjuntos de características para el modelo XGBoost que ya está en producción
- Las cifras: una mejora del 68 % en el AUC-PR, lo que esto supone en términos de fraude adicional detectado con porcentajes de revisión del 0,05 % al 2 %, y por qué la «puntuación de sorpresa» apenas tuvo relevancia
- Cómo se comportó la representación con un cliente excluido por completo del preentrenamiento, la mejora del 29 % obtenida y el punto exacto en que se agotó esa ventaja
- Por qué los embeddings por sí solos rinden peor que las características convencionales y por qué combinar ambos supera a cualquiera de los dos por separado
- Dónde esperamos que este enfoque falle a continuación: datos de comercios, incorporación de clientes y cualquier ámbito en el que los datos no tengan la estructura de una cartera de emisión
By submitting this form, you agree that Sardine may contact you about our products and services. For more information, review ourprivacy policy.