Aprendizado de máquina e IA são agora ferramentas essenciais para detectar fraudes e crimes financeiros. No entanto, à medida que as empresas passam a depender cada vez mais do aprendizado de máquina para melhorar seu desempenho em fraudes e conformidade, elas enfrentam um importante dilema.
O compromisso em termos de desempenho em fraude e conformidade para engenheiros de dados em um domínio como operações de fraude ou compliance está entre implementar um feature store genérico ou desenvolver internamente features baseadas em aprendizado de máquina.
Nenhuma dessas opções é ideal.
E se você pudesse ter o melhor dos dois mundos?
A Sardine desenvolve recursos de machine learning específicos para o seu domínio sobre os quais você tem controle total.
As ferramentas de fraude e conformidade e os trade-offs de desenvolvimento interno são subótimos
Hoje, as equipes de fraude e compliance estão se tornando cada vez mais orientadas por engenharia, desenvolvendo suas próprias capacidades de machine learning e consumindo múltiplos provedores de dados para resolver os desafios de seus negócios.
A abordagem tradicional dos fornecedores de soluções não torna isso fácil.
As soluções tradicionais de prevenção a fraudes geralmente atribuem uma pontuação a um evento de risco. Por exemplo, se um cliente estiver tentando fazer um pagamento, o sistema pode gerar uma pontuação de alto ou baixo risco. Essa ferramenta simples, porém eficaz, permite que instituições financeiras, empresas de e-commerce e marketplaces aprovem ou recusem rapidamente uma transação.
No entanto, essa abordagem de caixa-preta não é adequada para equipes que desejam treinar seus próprios modelos de machine learning (ML) ou resolver um caso de uso ou ameaça específicos.
Isso leva a três compensações subótimas bastante comuns
- Aceitar as caixas‑pretas, mas perder desempenho nos negócios ❌
- Construir internamente conectando os provedores de dados subjacentes, gerando um OPEX significativo e muita sobrecarga ⚠
- Use um feature store genérico para elaborar a solução ⚠
A solução de conformidade ideal é algo que ofereça o melhor do que é feito internamente com o melhor de um feature store.
Então, como chegamos lá?
Primeiro, vamos analisar o que os feature stores devem fazer.
O que queremos de um mecanismo de features
- Sem desvio entre treinamento e produção:A diferença entre o ambiente de treinamento e o ambiente em produção cria o risco de desvio de features entre o Online Analytical Processing (OLAP) e o Online Transaction Processing (OLTP). O desvio de features ocorre quando há discrepâncias entre os dados usados para treinar modelos de machine learning e os dados encontrados em ambientes de produção. A plataforma da Sardine elimina esse problema, garantindo um comportamento de features consistente e confiável.
- Correção no Ponto no Tempo:Backtesting preciso e treinamento de modelos exigem dados que reflitam o estado do sistema em momentos específicos. A plataforma da Sardine garante correção no ponto no tempo, permitindo que as empresas avaliem dados históricos com confiabilidade e treinem modelos de forma adequada.
- Observabilidade: A visibilidade sobre recursos e pontuações de aprendizado de máquina em ambientes de produção é fundamental para monitorar, depurar e otimizar sistemas de fraude e conformidade. A plataforma da Sardine oferece observabilidade abrangente, permitindo que as empresas acompanhem e compreendam o comportamento de seus modelos de detecção de fraude em tempo real.
- Conectividade com Data Warehouse: Empresas modernas dependem de data warehouses para armazenar e analisar grandes volumes de dados. A plataforma da Sardine oferece acesso ao data warehouse. Podemos integrá-la para enviar dados para o seu.
- Baixa latência:No mundo das transações online, cada milissegundo conta. A plataforma da Sardine foi projetada para operar com baixa latência, garantindo que as medidas de detecção e prevenção de fraude possam ser aplicadas quase em tempo real, minimizando o risco de atividades fraudulentas bem-sucedidas.
Os problemas com feature stores genéricos
- A seleção de features consome muito tempo. Encontrar uma feature específica para o seu domínio que funcione no seu contexto exige tempo e esforço significativos. Embora um feature store torne menos difícil o protótipo de várias features, você ainda precisa configurar o pipeline para fazer backtest das suas features e descobrir aquelas que são aplicáveis ao seu domínio. Idealmente, os especialistas operacionais conseguiriam fazer isso com pouco ou nenhum código.
- Os recursos não têm um encaixe óbvio em um modelo de ML, fluxo de trabalho ou mecanismo de regras. As equipes de fraude e compliance vivem de regras, fluxos de trabalho e modelos que as sustentam funcionalmente. Mesmo após investir recursos consideráveis no desenvolvimento de recursos específicos de domínio, as organizações frequentemente enfrentam desafios para integrar esses recursos de forma fluida em seus modelos de machine learning, fluxos de trabalho ou mecanismos de regras existentes
- Os feature stores genéricos exigem recursos de engenharia para serem implementados, em vez de permitir que os próprios analistas o façam. Implementar e manter esses feature stores normalmente requer recursos de engenharia significativos, o que pode ser um fator limitante para organizações com equipes de engenharia enxutas ou para aquelas que buscam capacitar analistas e especialistas no assunto a terem um papel mais ativo no desenvolvimento e na implantação de features.
O melhor dos dois mundos: funcionalidades desenvolvidas para o contexto de risco
A Sardine oferece mais de 4.000 recursos que já foram pré-desenvolvidos. Esses recursos incluem
- Proprietários sinais de dispositivo e inteligência como 'TrueLocation.Country'. Entender o país real de um usuário pode ser complexo (se ele estiver usando proxies ou uma VPN, por exemplo).
- Sinais de dados da rede da Sardine, como determinar se um determinado e‑mail já esteve anteriormente associado a uma contestação fraudulenta dentro da rede da Sardine (‘email.isFraudulent’)
- Sinais de dados enriquecidos de terceiros provenientes de operadoras de telecomunicações, provedores de e-mail, open banking, consórcios bancários, listas globais de sanções e mais de 35 provedores de dados.
- Recursos de velocidade e agregação, como o número de transações a partir de um determinado endereço de e-mail ou o número de chargebacks observados para um determinado BIN de cartão nos últimos 30 dias
Para quaisquer 2 dimensões entre mais de 50 dimensões, criamos contagens e recursos estatísticos.
As mais de 50 dimensões incluem itens como: endereço de e-mail, ID do comerciante, número de hash do cartão, BIN do cartão, número de roteamento bancário, ID do dispositivo e muito mais. Em seguida, pré-criamos contagens como:
- #e-mails estão associados a um ID de dispositivo — ou seja, uma verificação de velocidade para identificar fraude de onboarding
- #dispositivos associados a um BIN de cartão -- útil para encontrar ataques de enumeração de cartões
- valor médio de transação em um ID de estabelecimento — útil para identificar se uma transação específica com cartão em um estabelecimento está anormalmente alta, o que pode indicar fraude por cartão roubado
Os recursos calculados estão disponíveis em tempo real tanto para o nosso mecanismo de regras quanto para o nosso mecanismo de ML, para que possamos impedir fraude de pagamento ou fraude em transações em questão de centenas de milissegundos
Todos os recursos são pré-desenhados para
- Trabalhe com seus próprios dados proprietários ao utilizá-los, para que você possa aproveitar seus ativos de dados exclusivos enquanto se beneficia dos recursos da Sardine.
- Trabalhe com o seu mecanismo de regras existente ou dentro do mecanismo de regras da Sardine para que os analistas possam criar novas funcionalidades sem suporte de engenharia. Isso também significa que você pode se integrar à sua infraestrutura e aos seus fluxos de trabalho atuais.
- Observável com análises no painel da Sardine para que você possa monitorar e obter insights sobre o desempenho dos seus modelos de detecção de fraude em tempo real
- Dados subjacentes para análise e backtesting estão disponíveis no data warehouse da Sardine, para que você possa realizar análises históricas aprofundadas, validação de modelos e melhoria contínua.
- Desenvolvido desde o início para evitar divergência de funcionalidades entre OLAP e OLTP (e rigorosamente monitorado e testado), para que você possa contar com detecção e alertas consistentes e precisos em seus sistemas de processamento analítico online e de processamento de transações online.
Você pode usar esses recursos (e nossos sinais de dados subjacentes) como achar melhor.
Se você está desenvolvendo uma capacidade de engenharia ou já tem uma equipe interna sofisticada, entre em contato para obter acesso hoje mesmo e ver como podemos melhorar o desempenho do seu modelo.
O Futuro das Estratégias de Fraude e Conformidade
A demanda por especificidade de domínio, velocidade e precisão em um mundo orientado por dados exige uma plataforma que ofereça recursos avançados de machine learning e a flexibilidade e o controle do desenvolvimento interno. Ao priorizar recursos como correção em ponto no tempo, baixa latência e observabilidade, e ao disponibilizar mais de 4.000 features pré-engenheiradas que se integram aos seus sistemas existentes, estamos oferecendo as ferramentas de que você precisa na luta contra fraude e crimes financeiros. Com a capacidade de potencializar os dados por meio de observabilidade abrangente e testes rigorosos que eliminam o desvio de features, as empresas agora podem enfrentar desafios específicos com confiança e precisão. Se o seu objetivo é construir uma equipe interna de engenharia de ponta ou reforçar a que você já possui, adotar essa plataforma pode ser o passo necessário para turbinar a performance dos seus modelos e a eficácia operacional.