Überblick
Ein schnell wachsendes Fintech-Unternehmen, das taglich uber 2 Millionen Transaktionen verarbeitet, benotigte eine intelligentere Methode zur Erkennung und Verhinderung betrugerischer Aktivitaten, ohne die Falsch-Positiv-Rate zu erhohen, die legitime Kunden frustrierte.
Die Herausforderung
Das bestehende regelbasierte Betrugssystem markierte zu viele legitime Transaktionen, was zu Kundenabwanderung und operativem Mehraufwand fuhrte. Die manuellen Uberprufungswarteschlangen wuchsen schneller als das Team bewaltigen konnte, und neue Betrugsmuster passierten die statischen Regeln unbemerkt.
Die Lösung
DHD Tech integrierte ein Team aus zwei ML-Ingenieuren und einem Dateningenieur, die eine Echtzeit-Pipeline zur Betrugserkennung entwarfen und implementierten. Mithilfe von Gradient-Boosted-Modellen und graphbasierter Anomalieerkennung lernt das System kontinuierlich aus neuen Transaktionsmustern. Die Losung wurde in die bestehende Microservices-Architektur des Kunden integriert und auf AWS mit einer Inferenzlatenz von unter 100ms bereitgestellt.
Technologien, die wir verwenden
Ergebnisse
"Das Team von DHD Tech hat nicht nur ein Modell erstellt -- sie haben unsere Denkweise uber Betrugspravention transformiert. Das System amortisiert sich jeden Monat."
— ,