Платформа антифрод-мониторинга на базе ML
Задача
Крупный банк из ТОП-10 нуждался в замене устаревшей rule-based системы антифрода на решение с использованием машинного обучения для выявления мошеннических транзакций в реальном времени.
Решение
Разработана ML-платформа реального времени на базе ансамбля моделей (gradient boosting + нейросети). Потоковая обработка через Kafka, оркестрация моделей в Kubernetes. Система принимает решение по каждой транзакции за <100мс.
Результаты
Точность выявления фрода выросла с 67% до 94%. Количество false-positive снизилось на 40%. Предотвращённый ущерб за первые 6 месяцев — более 800 млн руб. Система обрабатывает 3000+ транзакций/сек.
Масштаб и сроки
3000+ транзакций/сек, 50 млн транзакций/мес
10 месяцев
Технологии
Оценка заказчика
Экспертные инсайты
Участники проекта делятся уроками, техническими деталями и выводами
Почему gradient boosting победил нейросети в нашем кейсе
Мы тестировали LSTM, Transformer и CatBoost для прогнозирования спроса. CatBoost показал лучшие результаты при значительно меньших затратах на инфраструктуру. Причина: данные были табличными с сильными категориальными признаками (регион, день недели, акции). Для таких данных деревянные модели до сих пор превосходят deep learning. Нейросети выиграли бы при обработке изображений или текстов.
Сергей Наумов
Lead ML Engineer
Команда проекта
Сергей Наумов
Lead ML Engineer
Ольга Иванова
Руководитель проекта