Construindo um modelo de risco para fundações
Os modelos de detecção de fraude analisam uma lista simples de atributos. O histórico de um cliente precisa ser condensado em contagens e médias de períodos de trinta dias antes mesmo de o modelo ter acesso a ele, e cada agregação elimina a ordem em que as transações ocorreram. É justamente essa ordem que um modelo fundacional foi criado para interpretar.
Este whitepaper documenta o que aconteceu quando pré-treinámos um transformer com sequências de transações de cartões emitidos, sem quaisquer rótulos de fraude em nenhuma fase do processo, e o utilizámos para gerar variáveis para o modelo de fraude que já usamos. O modelo de pontuação não mudou. Os dados de entrada, sim.
Neste documento, você encontrará:
- O pipeline completo de cinco etapas: como as transações com cartão foram tokenizadas, usadas no pré-treinamento sem rótulos e transformadas em dois conjuntos de atributos para o modelo XGBoost já em produção
- Os números: uma melhoria de 68% na AUC-PR, o que isso representa em termos de fraudes adicionais detetadas com níveis de revisão entre 0,05% e 2% e por que a «pontuação de surpresa» teve pouca relevância
- Como a representação se saiu em um cliente totalmente excluído do pré-treinamento, com uma melhoria de 29%, e exatamente em que ponto essa vantagem deixou de existir
- Por que os embeddings, isoladamente, têm desempenho inferior ao dos atributos convencionais e por que a combinação dos dois supera cada um deles separadamente
- Onde esperamos que essa abordagem falhe a seguir: dados de estabelecimentos comerciais, integração de novos clientes e qualquer contexto em que os dados não tenham o perfil de uma carteira de emissão
By submitting this form, you agree that Sardine may contact you about our products and services. For more information, review ourprivacy policy.