antifraud_otus_ml

Подготовительные расчеты

• 31 536 000 секунд = 1.57 * 10^9 транзакций

• Максимальное нагрузка в праздники 400 транз / сек. Закладываем х2-х3.

• Максимальная ошибка FP = 5%

• FN – 2% - приводят к убыткам 500 т.р. / мес

Цели

Разработать антифрод систему:

• Поддерживающий в 800 транзакций в секунду (х2 от максимальной нагрузки)

• FP не должно превышать 5%

• FN не должно превышать 2%

• Ущерб клиентов в месяц не более 500 т.р.

Метрики машинного обучения

В качестве метрики максимизации предлагается использовать ROC-AUC. С ее помощью предоставляется возможным сравнивать различные подходы между друг другом, не опираясь на подбор порогов. Также модель менее чувствительна к несбалансированным классам, что актуально в антифроуд системе.

Также при разработке алгоритма необходимо учитывать и финансовую составляющую ошибок, которую допускает наша модель, поэтому считаю необходимым отслеживать и вторую метрику как ущерб клиентов, то есть какая сумма транзакций входит в FN.

MISSION Canvas

Функциональные части проекта

• Исследовательские работы по обучению предсказательной модели

• Backend

• Настройка сервера

• Тестирование