Маркетплейсы и финтех-сервисы теряют деньги на мошеннических операциях и фейковых аккаунтах. Жёсткие статические правила — «блокировать всё выше суммы X» — либо пропускают изощрённое мошенничество, либо создают лишнее трение для честных пользователей.
Разработка D2Tech · в работе
Детекция мошенничества в финтехе
Каждая операция получает скор за миллисекунды. Простые правила ловят очевидное, модель — то, что правилом не опишешь. Любое решение можно объяснить комплаенсу; спорные случаи смотрит аналитик, и его вердикт возвращается в обучение.
Задача
Что сделали
Миллисекунды
Решение принимается быстро и не держит основной поток оплаты.
Правила плюс модель
Пять операций за четыре минуты, гео не совпадает, новому аккаунту вдруг понадобилась крупная сумма — это правила, они быстрые и прозрачные. Модель на размеченной истории ловит то, что в правило не укладывается.
Объяснимость
К каждому скору прилагаются SHAP-значения: какие признаки его подняли. Для комплаенса это не опция, «чёрный ящик сказал заблокировать» там не принимают.
Очередь и дообучение
Спорное уходит аналитику. Его решение возвращается в выборку, и модель не застывает на прошлогодних схемах.
Почему этому можно верить
- Признаки
- Частота операций и гео считаются из Redis. Из холодной базы на каждый запрос это не успеть.
- Объяснение
- SHAP считается для каждого решения, а не по запросу задним числом.
- Версии
- Модели и эксперименты в MLflow, переобучение по расписанию в Airflow. Всегда известно, какая версия приняла решение.
- Журнал
- Каждое решение и разметка пишутся в PostgreSQL. При разборе есть что показать.
Как устроено
- Модель
- scikit-learn, XGBoost или LightGBM для табличного скоринга; SHAP для интерпретируемости.
- Поток и признаки
- Kafka для потока операций; Redis для быстрых счётчиков вроде частоты операций за последние минуты — их нельзя эффективно считать из холодной базы на каждый запрос.
- Сервис
- FastAPI как низколатентный scoring-эндпоинт; PostgreSQL для журнала решений и разметки.
- MLOps
- MLflow для версионирования моделей и экспериментов, Airflow для регулярного переобучения по расписанию. React-панель для аналитиков.
Похожая задача?
Опишите её — пришлём скоуп и смету за 24 часа: