Dados e ML se tornaram a força vital das equipes de fraude e AML.
A ciência de dados é a principal ferramenta utilizada na linha de frente da gestão de riscos. CTOs inovadores e suas equipes internas de ciência de dados estão obtendo um ROI sem precedentes ao personalizar modelos de ML para seus perfis de risco exclusivos.
Muitos dados e recursos de ML estão além dos limites da organização, inexplorados e subutilizados.
Terceiros muitas vezes fornecem pontuações mas nunca explicam como chegaram a essa pontuação.
A equipe de fraude e conformidade adoraria saber como eles chegaram à pontuação e ter acesso aos dados subjacentes. Eles podem ter outros modelos de ML nos quais queiram incorporar essa informação ou dados que desejem combinar para avaliar o risco.
E se os dados de terceiros e recursos de ML funcionassem exatamente como as ferramentas internas?
A solução é um feature store, permitindo que seus cientistas de dados centralizem, simplifiquem e tornem acessíveis recursos gerados por machine learning de terceiros.
Para saber mais sobre como isso funciona, vamos conversar
- Um exemplo de recursos obtidos por aprendizado de máquina
- Como geramos esses recursos
- Como o feature store funciona
1. Dê-me um exemplo de funcionalidades de Machine Learning da Sardine
Na Sardine, trabalhamos muito para criar o Sardine ML Featurestore. Damos aos clientes acesso direto ao nosso data warehouse e a mais de 4.000 features geradas por machine learning. Mas o que é uma feature gerada por machine learning?
Para nós, eles podem ser pontos de dados aparentemente simples, como 'User.Country''. A realidade é que entender o verdadeiro país de um usuário pode ser complexo (se ele estiver usando proxies ou uma VPN, por exemplo). Um cliente que usa o recurso da Sardine 'User.Country' está aproveitando o insight da Sardine sobre esse usuário.
Um recurso também pode incluir agregações mais complexas. Por exemplo, podemos determinar a contagem de clientes a partir de um determinado endereço IP em um dia (por exemplo, CustomerSession.IPV4Aggregations.CustomerAggregation.CustomerCount_1DAY). Isso pode ser útil se um determinado endereço IP estiver criando muitas contas de repente.
Também analisamos recursos específicos da rede, como determinar se um determinado e‑mail já esteve associado a um estorno fraudulento dentro da rede da Sardine (email.isFraudulent).
Cada uma dessas funcionalidades pode ser valiosa de inúmeras maneiras. Se você entende como elas são geradas, você entende como usá-las como uma equipe de ciência de dados.
2. Contexto: como geramos os recursos de ML da Sardine
O SDK da Sardine captura sinais de dispositivo e comportamento diretamente do equipamento do usuário. Ele coleta informações como ID do dispositivo, sistema operacional em uso, detalhes de IP e padrões únicos de comportamento do usuário, como a forma como você desliza, digita, toca ou segura o telefone. Esse poderoso conjunto de sinais serve de base para modelos de machine learning e pode ser acessado por meio de milhares de recursos.
Como esses modelos são pré-treinados no conjunto de dados da Sardine, conseguimos sinalizar indícios como detecção de dispositivo com root, software remoto, anomalias no sistema operacional e muito mais. As saídas dos modelos fornecem recursos que funcionam como indicadores, insights e alertas para as equipes de fraude e conformidade.
3. Como o Feature Store funciona.
Os feature stores devem ser uma extensão do seu ecossistema tecnológico.
Ninguém quer entrar em uma loja onde não pode comprar nada.
Oferecemos acesso a data warehouses (Snowflake ou BigQuery) para treinamento de dados e, por meio de uma API em tempo real, para inferência. É como na imagem abaixo.
- Quando um cliente da Sardine (comerciante) solicita qualquer um dos endpoints da API da Sardine
- A Sardine calcula mais de 4.000 recursos gerados por aprendizado de máquina em tempo real e os associa a uma “sessão” de usuário
- O resultado dessa sessão e os recursos gerados por aprendizado de máquina são totalmente armazenados no data warehouse (BigQuery ou Snowflake).
- Os clientes podem então executar modelos de ML personalizados para consultar ou importar dados da Sardine
É realmente simples assim.
Mas o simples pode ser poderoso.
Quando você considera que a equipe de fraude e compliance quase nunca tem acesso aos dados e recursos quando e da forma que deseja, essa abordagem pode ser revolucionária.
Esperamos ver uma migração para feature stores não apenas em todo o espectro de risco, mas em toda a infraestrutura de fintech.
Por cientistas de dados para cientistas de dados
O feature store da Sardine é feito por uma equipe de ciência de dados para equipes de ciência de dados. Ao centralizar, simplificar e tornar acessíveis as features geradas por machine learning, colocamos o poder nas mãos dessas equipes. Chega de caixas‑pretas. É apenas uma extensão da sua equipe.
Estamos aqui para ajudar a equipe de fraude e compliance a impedir mais fraudes com recursos mais detalhados, tudo a partir de uma única API e painel de controle.
O que você fará com o conjunto de recursos da Sardine?
Estamos ansiosos para ver.
Entre em contato conosco para saber mais.