Wykrywanie fraudów dla programu cashback
Wykrywanie fraudów dla brytyjskiej platformy cashback: uczenie maszynowe ocenia każdy zeskanowany paragon przed wypłatą, wychwytuje przerobione kwoty, duplikaty i nierealne wzorce zakupów, a niejasne przypadki kieruje do człowieka.
- Branża
- Cashback & Fintech
- Kraj
- Wielka Brytania
- Czas
- W toku
- Zespół
- Dedykowany zespół AI

Z czym przyszedł klient
Ręczne kontrole wyrywkowe nie nadążały za wolumenem, a proste reguły zawodziły w obie strony. Zbyt ostre karały uczciwych użytkowników, zbyt łagodne przepuszczały nadużycia. ZipZero potrzebowało oceny ryzyka wbudowanej w sam proces obsługi paragonów. Każde zgłoszenie miało być sprawdzone przed wypłatą, podejrzane przypadki trafiać do człowieka zamiast do automatycznego odrzucenia, a całość działać na tyle szybko, żeby nie opóźniać wypłat uczciwym użytkownikom.
Co dostarczyliśmy
Przerobione kwoty
Cyfra dopisana ręcznie za wydrukowaną sumą przechodzi przez zwykły OCR niezauważona. System porównuje odczytane sumy z pozycjami paragonu i oznacza kwoty, które się nie zgadzają.
Anomalie miejsca i czasu
Zakupy z jednego konta w dwóch odległych lokalizacjach w tej samej godzinie. Wzorce miejsc i czasu w historii konta ujawniają paragony, które nie mogą należeć do jednej osoby.
Duplikaty paragonów
Ten sam paragon wysłany ponownie: przycięty, sfotografowany od nowa albo z innego konta. Wykrywanie duplikatów działa w całej bazie użytkowników, nie tylko w obrębie jednego konta.
Ocena zachowań
Serie zgłoszeń i częstotliwość niezgodna z normalnymi zakupami, wykrywane na podstawie historii każdego konta.
Łączenie sygnałów
Sygnały ze zdjęcia paragonu, z odczytanych danych i z zachowania użytkownika są oceniane niezależnie i łączone, więc nowa metoda oszustwa musi ominąć wszystkie naraz.
Weryfikacja przez człowieka
Podejrzane paragony trafiają do kolejki przeglądu zamiast automatycznego odrzucenia, co chroni uczciwych użytkowników przed fałszywymi alarmami. Decyzje weryfikatorów wracają do treningu modeli.
Jak prowadziliśmy prace
System wykrywania nadużyć, który uczynił oszukiwanie nieopłacalnym, chroniąc jednocześnie uczciwych użytkowników przed fałszywymi alarmami.
Zakres prac
Zaprojektowaliśmy i zbudowaliśmy wykrywanie nadużyć wewnątrz platformy, którą prowadzimy dla ZipZero.
Analiza potwierdzonych przypadków nadużyć z zespołem ZipZero, aby zmapować faktycznie stosowane metody: przerobione sumy, duplikaty paragonów, powiązane konta i anomalie lokalizacji.
Zdefiniowanie sygnałów nadużyć w trzech obszarach. Część widać na samym zdjęciu paragonu, część w odczytanych danych, a część dopiero w historii zachowań konta.
Budowa modeli oceny i ich walidacja w trybie obserwacji względem decyzji ludzi, zanim wpłynęły na jakąkolwiek wypłatę.
Integracja oceny ze ścieżką wypłat, tak aby każdy paragon był sprawdzony przed uwolnieniem cashbacku, bez opóźnień dla uczciwych użytkowników.
Budowa przepływu weryfikacji oznaczonych paragonów, z decyzjami weryfikatorów wracającymi do treningu modeli.
Monitorowanie zmian wzorców nadużyć w czasie i rozszerzanie sygnałów wykrywania, gdy pojawiają się nowe metody.
Technologie
The expertise of the leaders, coupled with the diverse skill sets of their teams, truly sets them apart. Their vast experience across a myriad of projects ensures that they can adeptly handle virtually any project you envision. Furthermore, their deep involvement in the process is palpable; it's as if they seamlessly integrate and become an intrinsic part of your in-house development team.
Marcin WalaszczykCTO, ZipZeroPorozmawiajmy o Twoim projekcie
Nie wiesz, od czego zacząć? Zacznij od audytu gotowości na AI