Как коллеги из Data, Stories and Languages используют Data Science для противодействия мошенничеству

Мы много говорим про корпоративный поиск и анализ текстов, но мир ИИ-решений для бизнеса гораздо шире. Сегодня хотим показать вам реальные кейсы из практики наших коллег — data science-инженеров из компании Careem (сервис для заказа такси).

Они ведут канал @datastorieslanguages, где рассказывают, как строят и внедряют модели машинного обучения. Вот несколько кейсов из их опыта:

1. Выявление дублирующих аккаунтов водителей с помощью распознавания лиц
Задача заключалась в обнаружении случаев, когда один водитель создавал несколько аккаунтов. Для этого была применена система на основе сравнения эмбеддингов лиц.
Использовались библиотека face_recognition для извлечения признаков и Faiss-GPU для эффективного поиска сходств в массиве из 2-3 миллионов фотографий. Индексирование и поиск заняли около часа.
Основной инженерной сложностью стало требование к нулевому уровню ложных срабатываний, что привело к необходимости дополнительной постобработки результатов бизнес-правилами. В результате было идентифицировано и заблокировано около 2000 аккаунтов.

2. Внедрение ML-модели для минимизации риска неплатежей
Для снижения потерь от использования невалидных или мошеннических банковских карт была разработана и внедрена машинная модель, пришедшая на смену системе жестких правил.
Модель, запущенная в продакшн и работающая в реальном времени, оценивает риск для каждого клиента и автоматически применяет механизм временного холда средств. Разработка и внедрение заняли девять месяцев, а итоговая точность модели превзошла эффективность предыдущих правил.

Если вам также интересно наблюдать за новыми подходами внедрения ML-моделей в бизнес и получать больше технических инсайтов в области прикладного data science — рекомендуем подписаться на канал коллег @datastorieslanguages